基于多示例弱監(jiān)督學(xué)習(xí)的物體檢測(cè)和分類(lèi)方法研究.pdf

1、物體檢測(cè)與分類(lèi)是計(jì)算機(jī)視覺(jué)領(lǐng)域的最重要的兩個(gè)研究方向?，F(xiàn)有大量研究成果中，良好的圖片標(biāo)記是獲得較好性能的關(guān)鍵前提。然而，圖片標(biāo)記卻是耗時(shí)、耗力的，能否從互聯(lián)網(wǎng)中大量標(biāo)記的圖片中去建模識(shí)別并分類(lèi)物體是一個(gè)較為困難的研究問(wèn)題。本文從弱監(jiān)督學(xué)習(xí)的思路出發(fā)，即基于弱標(biāo)注圖片（類(lèi)標(biāo)信息只提供到圖片層次）進(jìn)行多示例的建模學(xué)習(xí)。在多示例學(xué)習(xí)問(wèn)題中，如何從復(fù)雜數(shù)據(jù)中發(fā)現(xiàn)有效的正例仍是較為挑戰(zhàn)的難題。本文核心研究此問(wèn)題，主要研究工作及成果概況如下。

2、>　　首先，我們提出了一個(gè)基于低秩和稀疏約束的子空間模型。由于同類(lèi)物體的外觀往往是相似的，因此物體的高維特征往往可以用低維子空間來(lái)表示。據(jù)此，我們提出一個(gè)子空間模型的學(xué)習(xí)方法來(lái)解決弱監(jiān)督物體檢測(cè)和分類(lèi)問(wèn)題。通過(guò)系數(shù)矩陣的低秩約束來(lái)對(duì)每一幅包含目標(biāo)物體的圖片進(jìn)行優(yōu)化求解一個(gè)標(biāo)量矩陣。為提高準(zhǔn)確率，我們通過(guò)引入?-insensitive loss和不相關(guān)因子，來(lái)增加子空間模型和顯著負(fù)例之間的差距。并采用Block Coordinate De

3、scent和Alternating Direction Method of Multipliers(ADMM)方法來(lái)優(yōu)化。
　　其次，我們提出了一個(gè)基于關(guān)鍵示例的物體分類(lèi)模型(SMDIS)。SMDIS首先從正包選出真正的正例，然后結(jié)合Smooth Latent Support Vector Machine(SLSVM)進(jìn)行訓(xùn)練，得出一個(gè)物體分類(lèi)器。SLSVM已經(jīng)在物體分類(lèi)應(yīng)用中獲得較好的效果。用我們的子空間模型挑出具有代表性的正例

4、，并結(jié)合SLSVM分類(lèi)，能進(jìn)一步提高模型的性能。在人臉數(shù)據(jù)集AR，UMIST和ORL和真實(shí)圖像數(shù)據(jù)集Pascal2007的實(shí)驗(yàn)中，獲得了比傳統(tǒng)的子空間模型更好的分類(lèi)效果。
　　在現(xiàn)實(shí)應(yīng)用場(chǎng)景中，往往一張圖片會(huì)包含多個(gè)正例。對(duì)此，我們通過(guò)學(xué)習(xí)多個(gè)子空間模型，采用基于Adaboost的策略把這些子空間模型組合在一起，形成集成學(xué)習(xí)分類(lèi)器，通過(guò)學(xué)習(xí)一組權(quán)重把不同的分類(lèi)器組合起來(lái)。該集成分類(lèi)器能考慮各個(gè)子模型的優(yōu)點(diǎn)，并重點(diǎn)關(guān)注難以區(qū)分類(lèi)別的