目標(biāo)的檢測(cè)與跟蹤是計(jì)算機(jī)視覺(jué)領(lǐng)域的基本問(wèn)題,也是智能視頻監(jiān)控系統(tǒng)的關(guān)鍵與核心技術(shù)。隨著深度學(xué)習(xí)技術(shù)的推動(dòng),這方面的研究已經(jīng)取得了令人矚目的成就。但是,由于數(shù)據(jù)、場(chǎng)景、環(huán)境的復(fù)雜性,視覺(jué)目標(biāo)的檢測(cè)與跟蹤仍然面臨很多挑戰(zhàn)。本文圍繞上述復(fù)雜因素,從視覺(jué)注意力和魯棒深度特征學(xué)習(xí)的角度出發(fā),對(duì)目標(biāo)檢測(cè)和跟蹤問(wèn)題開(kāi)展討論,分別研究了基于自適應(yīng)加權(quán)的多模態(tài)顯著性目標(biāo)檢測(cè)方法、基于對(duì)象驅(qū)動(dòng)視覺(jué)注意力的目標(biāo)跟蹤方法、基于困難正樣本學(xué)習(xí)的目標(biāo)跟蹤方法、基于自然語(yǔ)言描述的目標(biāo)跟蹤方法以及基于困難行人身份挖掘的跨相機(jī)目標(biāo)跟蹤方法等。在多模態(tài)顯著性目標(biāo)檢測(cè)方面,由于不同的多模態(tài)數(shù)據(jù)對(duì)最終結(jié)果的貢獻(xiàn)不同,本文將重點(diǎn)研究多模態(tài)信息融合問(wèn)題,即如何根據(jù)模態(tài)的質(zhì)量實(shí)現(xiàn)自適應(yīng)的加權(quán)。對(duì)于基于深度學(xué)習(xí)的方法,由于缺乏關(guān)于模態(tài)質(zhì)量的標(biāo)注信息,導(dǎo)致現(xiàn)有基于深度學(xué)習(xí)的方法很難將模態(tài)質(zhì)量以監(jiān)督學(xué)習(xí)的方式融合到整體的網(wǎng)絡(luò)結(jié)構(gòu)中�；谏鲜鲇^察,本文借鑒了深度強(qiáng)化學(xué)習(xí)的思想,將不同模態(tài)的加權(quán)問(wèn)題看做是序列決策問(wèn)題。我們采取后期融合的思路,將多模態(tài)顯著性物體檢測(cè)分為兩個(gè)階段來(lái)進(jìn)行。最終,在兩個(gè)多模態(tài)任務(wù)上驗(yàn)證了該方法的有效性。對(duì)于跟蹤問(wèn)題... 

【文章來(lái)源】：安徽大學(xué)安徽省 211工程院校

【文章頁(yè)數(shù)】：153 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖１．１：論文的研究?jī)?nèi)容??Ｆｉｇ．?１．１：?Ｒｅｓｅａｒｃｈ?ｃｏｎｔｅｎｔｓ?ｏｆ?ｔｈｉｓ?ｐａｐｅｒ??

獎(jiǎng)勵(lì)定義為顯著性檢測(cè)的精度，強(qiáng)化學(xué)習(xí)的目標(biāo)就變?yōu)榱俗畲蠡@著性物體檢??測(cè)累積的精度，這和顯著性評(píng)測(cè)的目標(biāo)也是一致的。深度強(qiáng)化學(xué)習(xí)中智能體與??環(huán)境交互的過(guò)程如圖２．１所不。??本章提出一種具有普適性（Ｇｅｎｅｒａｌ）的質(zhì)量預(yù)測(cè)網(wǎng)絡(luò)，該網(wǎng)絡(luò)可以從不??同的傳感器中感知輸入數(shù)據(jù)的質(zhì)量，大致的網(wǎng)絡(luò)示意圖可參考圖２．２。具體來(lái)??說(shuō)，本文將每一個(gè)領(lǐng)域的質(zhì)量預(yù)測(cè)問(wèn)題看作是序列決策問(wèn)題，并且訓(xùn)練一個(gè)智??能體與環(huán)境進(jìn)行交互探索，使其能夠?qū)W會(huì)對(duì)不同的領(lǐng)域數(shù)據(jù)進(jìn)行智能加權(quán)。其??中，深度強(qiáng)化學(xué)習(xí)的三個(gè)主要元素，狀態(tài)、動(dòng)作以及獎(jiǎng)勵(lì)，具體定義如下：??？狀態(tài)（Ｓｔａｔｅ）：來(lái)自不同領(lǐng)域輸入數(shù)據(jù)；??？動(dòng)作（Ａｃｔｉｏｎ）：増加，減少，停止調(diào)整模態(tài)權(quán)重；??？獎(jiǎng)勵(lì)（Ｒｅｗａｒｄ）：通過(guò)計(jì)算預(yù)測(cè)結(jié)果與真值之間的損失；??本文所引入的質(zhì)量預(yù)測(cè)網(wǎng)絡(luò)的訓(xùn)練可以用現(xiàn)有的深度強(qiáng)化學(xué)習(xí)算法來(lái)完??成，本文實(shí)驗(yàn)中采用的是深度Ｑ網(wǎng)絡(luò)（ＤｅｅｐＱ－Ｎｅ．ｔｗｏｒｋ）?［１６］，因?yàn)樵摼W(wǎng)絡(luò)更加??－１１?－??

?一１?展現(xiàn)新的獎(jiǎng)勵(lì)Ｒｍ；??圖２．１：強(qiáng)化學(xué)習(xí)中智能體與環(huán)境交互的示意圖??Ｆｉｇ．?２．１：?Ｔｈｅ?ｉｎｔｅｒａｃｔｉｏｎ?ｂｅｔｗｅｅｎ?ａｇｅｎｔ?ａｎｄ?ｅｎｖｉｒｏｎｍｅｎｔ?ｉｎ?ｒｅｉｎｆｏｒｃｅｍｅｎｔ??ｌｅａｒｎｉｎｇ??勵(lì)。學(xué)習(xí)的目標(biāo)是在一個(gè)時(shí)序上最大化期望獎(jiǎng)勵(lì)，每一個(gè)時(shí)間步驟的回報(bào)定義??為從當(dāng)前時(shí)刻到時(shí)序結(jié)束時(shí)的獎(jiǎng)勵(lì)總和。對(duì)于質(zhì)量相關(guān)的多模態(tài)任務(wù)，本文利??用神經(jīng)網(wǎng)絡(luò)來(lái)表示智能體，允許針對(duì)不同的圖像選擇不同的質(zhì)量權(quán)重。通過(guò)將??獎(jiǎng)勵(lì)定義為顯著性檢測(cè)的精度，強(qiáng)化學(xué)習(xí)的目標(biāo)就變?yōu)榱俗畲蠡@著性物體檢??測(cè)累積的精度，這和顯著性評(píng)測(cè)的目標(biāo)也是一致的。深度強(qiáng)化學(xué)習(xí)中智能體與??環(huán)境交互的過(guò)程如圖２．１所不。??本章提出一種具有普適性（Ｇｅｎｅｒａｌ）的質(zhì)量預(yù)測(cè)網(wǎng)絡(luò)，該網(wǎng)絡(luò)可以從不??同的傳感器中感知輸入數(shù)據(jù)的質(zhì)量，大致的網(wǎng)絡(luò)示意圖可參考圖２．２。具體來(lái)??說(shuō)


本文編號(hào)：3367604