作為人工智能系統(tǒng)中最關(guān)鍵的環(huán)節(jié)之一,視覺信息處理在過去的幾十年內(nèi)得到了飛速的發(fā)展。隨著可獲取的視覺數(shù)據(jù)海量式的增長,具有處理大數(shù)據(jù)能力的學(xué)習(xí)模型(如深度學(xué)習(xí))在視覺信息處理系統(tǒng)的核心作用日益凸顯,對提升各項視覺任務(wù)的性能起著至關(guān)重要的作用。一般情況下,此類視覺信息處理技術(shù)需要依賴人工標(biāo)注的數(shù)據(jù)來訓(xùn)練特定任務(wù)下的學(xué)習(xí)模型。然而,為了訓(xùn)練這些模型,人們需要耗費大量的精力與時間來為數(shù)據(jù)提供標(biāo)注。在當(dāng)前的大數(shù)據(jù)計算模式下,這種人工標(biāo)注的模式并不能適應(yīng)視覺信息處理算法的需求,甚至已經(jīng)阻礙了視覺信息處理系統(tǒng)對視覺大數(shù)據(jù)的利用。因此,以自主理解與分析圖像及視頻的(語義)內(nèi)容為目的的智能視覺信息處理成為了新一代人工智能研究領(lǐng)域中的重中之重。在智能視覺信息處理中,如何提高系統(tǒng)的自主性,即如何盡可能地降低視覺學(xué)習(xí)中的人工參與程度是該領(lǐng)域中的重點、難點,同時也是目前亟待解決的問題之一。為了緩解這個問題,本文旨在提出新的顯著性檢測及弱監(jiān)督學(xué)習(xí)算法框架來賦予視覺信息處理系統(tǒng)更加智能與自主地進行視覺模式分析與理解的能力。所設(shè)計的算法框架可以與現(xiàn)有的深度學(xué)習(xí)模型有機結(jié)合,從而為其提供諸多便利。具體來講,一方面我們探討...

【文章頁數(shù)】：139 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 主要研究內(nèi)容
        1.2.1 視覺顯著性檢測
        1.2.2 事件顯著性檢測
        1.2.3 協(xié)同顯著性檢測
        1.2.4 弱監(jiān)督目標(biāo)檢測
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 視覺顯著性檢測
        1.3.2 事件顯著性檢測
        1.3.3 協(xié)同顯著性檢測
        1.3.4 弱監(jiān)督目標(biāo)檢測
    1.4 主要貢獻及核心創(chuàng)新點
    1.5 論文內(nèi)容安排
    1.6 本章小結(jié)
2 顯著性檢測(Ⅰ):基于無監(jiān)督學(xué)習(xí)的深度顯著性檢測模型
    2.1 引言
    2.2 基于融合監(jiān)督的深度顯著性檢測模型
        2.2.1 圖內(nèi)融合
        2.2.2 圖間融合
    2.3 無監(jiān)督深度網(wǎng)絡(luò)學(xué)習(xí)
        2.3.1 網(wǎng)絡(luò)結(jié)構(gòu)
        2.3.2 學(xué)習(xí)策略
    2.4 實驗論證
        2.4.1 實驗設(shè)置
        2.4.2 與現(xiàn)有方法的比較
        2.4.3 模型分析
    2.5 本章小結(jié)
3 顯著性檢測(Ⅱ):無約束視頻的事件顯著性檢測
    3.1 引言
    3.2 整體算法概要
    3.3 多模態(tài)特征提取
    3.4 事件顯著性檢測
        3.4.1 群集內(nèi)先驗
        3.4.2 群集間區(qū)分性
        3.4.3 群集間平滑性
        3.4.4 整體目標(biāo)函數(shù)
    3.5 實驗論證
        3.5.1 實驗設(shè)置
        3.5.2 與基準(zhǔn)方法的性能比較
        3.5.3 特征分析
        3.5.4 成分分析
        3.5.5 魯棒性分析
    3.6 本章小結(jié)
4 弱監(jiān)督視覺學(xué)習(xí)(Ⅰ):基于自步-多示例學(xué)習(xí)的協(xié)同顯著性檢測
    4.1 引言
    4.2 自步-多示例學(xué)習(xí)
        4.2.1 問題建模
        4.2.2 優(yōu)化求解
    4.3 協(xié)同顯著性檢測框架
        4.3.1 特征提取
        4.3.2 協(xié)同顯著性推理
        4.3.3 構(gòu)建協(xié)同顯著圖
    4.4 實驗分析
        4.4.1 實驗設(shè)置
        4.4.2 運行時間分析
        4.4.3 與現(xiàn)有方法的性能比較
        4.4.4 模型分析
        4.4.5 模塊測評
    4.5 算法應(yīng)用
        4.5.1 視頻前景分割
        4.5.2 行為定位
        4.5.3 物體協(xié)同定位
    4.6 本章小結(jié)
5 弱監(jiān)督視覺學(xué)習(xí)(Ⅱ):貝葉斯框架下的弱監(jiān)督遙感目標(biāo)檢測
    5.1 引言
    5.2 總體框架
    5.3 高層特征表達
        5.3.1 低層特征描述子提取
        5.3.2 中層特征生成
        5.3.3 高層特征學(xué)習(xí)
    5.4 基于弱監(jiān)督學(xué)習(xí)的遙感目標(biāo)檢測
        5.4.1 訓(xùn)練樣本初始化
        5.4.2 迭代訓(xùn)練物體檢測器
    5.5 實驗分析
        5.5.1 數(shù)據(jù)集描述及實驗設(shè)置
        5.5.2 關(guān)鍵參數(shù)分析
        5.5.3 貝葉斯框架性能評估
        5.5.4 高層特征評估
        5.5.5 物體檢測器評估
    5.6 本章小結(jié)
6 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 研究展望
參考文獻
致謝
攻讀博士學(xué)位期間發(fā)表的學(xué)術(shù)論文和參加科研情況



本文編號：4036092