基于遷移學(xué)習(xí)的目標(biāo)識(shí)別若干問(wèn)題研究.pdf

1、目標(biāo)識(shí)別是計(jì)算機(jī)視覺(jué)領(lǐng)域中的一個(gè)基礎(chǔ)問(wèn)題，它的核心任務(wù)是將不同類(lèi)別的圖像彼此分開(kāi)(即分類(lèi)問(wèn)題)，或者從給定的圖片中，找到目標(biāo)物體的準(zhǔn)確位置(即檢測(cè)問(wèn)題)。經(jīng)典的目標(biāo)識(shí)別問(wèn)題假設(shè)訓(xùn)練場(chǎng)景和測(cè)試場(chǎng)景所服從概率分布相同。但是，在真實(shí)應(yīng)用場(chǎng)景中，這一條件有時(shí)并不滿(mǎn)足，于是，經(jīng)常會(huì)出現(xiàn)這樣的情況：當(dāng)訓(xùn)練好的分類(lèi)器或者檢測(cè)器被應(yīng)用到一個(gè)新的場(chǎng)景時(shí)，其性能會(huì)迅速下降。對(duì)于這一問(wèn)題，目前采用基于遷移學(xué)習(xí)的目標(biāo)識(shí)別方法加以解決。近年來(lái)，針對(duì)這類(lèi)方法的研究

2、日益受到關(guān)注，雖取得了一些成果，但還存在諸多不足，離實(shí)際應(yīng)用也有較大差距。
　　本文主要圍繞“域自適應(yīng)目標(biāo)分類(lèi)”和“域自適應(yīng)目標(biāo)檢測(cè)”兩個(gè)基本主題，展開(kāi)相關(guān)研究，針對(duì)現(xiàn)有方法所存在問(wèn)題，提出相應(yīng)解決方案。對(duì)于現(xiàn)有域自適應(yīng)目標(biāo)分類(lèi)方法，其主要問(wèn)題是：樣本本身所構(gòu)成的流形結(jié)構(gòu)沒(méi)有被充分利用。針對(duì)該問(wèn)題，本文從特征表達(dá)魯棒性的角度出發(fā)，研究如何有效利用樣本流形結(jié)構(gòu)，實(shí)現(xiàn)魯棒的特征編碼。而對(duì)于現(xiàn)有域自適應(yīng)目標(biāo)檢測(cè)方法，其主要問(wèn)題是：算法對(duì)

3、源樣本和帶標(biāo)簽?zāi)繕?biāo)域樣本存在依賴(lài)。針對(duì)該問(wèn)題，圍繞著行人檢測(cè)這一具體應(yīng)用，本文從分類(lèi)器回歸、自適應(yīng)分類(lèi)器調(diào)整和自適應(yīng)特征調(diào)控這三個(gè)角度，分別進(jìn)行研究。本文的主要內(nèi)容如下：
　　1)提出一種基于協(xié)同特征的多類(lèi)別線(xiàn)性分類(lèi)算法。首先，按照類(lèi)別依次排列的方式，將所有源樣本構(gòu)成字典；然后，結(jié)合該字典和目標(biāo)樣本的最近鄰幾何結(jié)構(gòu)信息，實(shí)現(xiàn)對(duì)樣本的編碼；最后，利用最近鄰分類(lèi)器完成分類(lèi)。為了進(jìn)一步討論目標(biāo)樣本鄰域信息對(duì)特征表達(dá)的影響，我們還提出了兩

4、種新的特征，它們分別融合了目標(biāo)樣本局部近鄰信息和目標(biāo)樣本自適應(yīng)局部近鄰信息。
　　2)提出了一種基于分類(lèi)器回歸的遷移方法，應(yīng)用于行人檢測(cè)問(wèn)題。首先，為回歸過(guò)程生成訓(xùn)練數(shù)據(jù)：a)利用ESVM方法為每個(gè)源樣本生成相應(yīng)的樣例分類(lèi)器，并將其作為回歸標(biāo)簽數(shù)據(jù)；b)提出一個(gè)自編碼器神經(jīng)網(wǎng)絡(luò)方法，利用其中的編碼器對(duì)回歸標(biāo)簽數(shù)據(jù)進(jìn)行降維。然后，為了回歸低維回歸標(biāo)簽數(shù)據(jù)，提出了一種由多個(gè)子網(wǎng)絡(luò)構(gòu)成的兩階段回歸網(wǎng)絡(luò)。在檢測(cè)時(shí)，由回歸網(wǎng)絡(luò)得到的預(yù)測(cè)值需

5、利用自編碼器中的解碼器，將其還原到原始空間，并作為測(cè)試樣本對(duì)應(yīng)的樣例分類(lèi)器來(lái)實(shí)現(xiàn)分類(lèi)。
　　3)提出一種基于自適應(yīng)分類(lèi)器調(diào)整的遷移方法，應(yīng)用于行人檢測(cè)問(wèn)題。首先，為了實(shí)現(xiàn)分類(lèi)器自適應(yīng)調(diào)整，提出了一種基于單層感知機(jī)的動(dòng)態(tài)分類(lèi)器。該分類(lèi)器位于卷積神經(jīng)網(wǎng)絡(luò)的最后一層，其模型參數(shù)以加權(quán)的方式進(jìn)行調(diào)整，而加權(quán)值由另一個(gè)控制網(wǎng)絡(luò)預(yù)測(cè)生成。通過(guò)這種方式，該混合網(wǎng)絡(luò)為每一個(gè)目標(biāo)域樣本生成專(zhuān)有的分類(lèi)器。然后，為了取得更好的泛化效果，設(shè)計(jì)了新的目標(biāo)函

6、數(shù)。該函數(shù)包含兩個(gè)新的正則化項(xiàng)：一個(gè)是基于預(yù)測(cè)權(quán)值稀疏性的約束；另一個(gè)是對(duì)動(dòng)態(tài)分類(lèi)器一階導(dǎo)數(shù)的約束，該約束保證動(dòng)態(tài)分類(lèi)器僅對(duì)困難樣本敏感。最后，給出了該混合網(wǎng)絡(luò)的訓(xùn)練算法。在訓(xùn)練過(guò)程中，為了避免調(diào)控網(wǎng)絡(luò)梯度消失問(wèn)題，提出了相應(yīng)的學(xué)習(xí)率控制技術(shù)。
　　4)提出一種基于自適應(yīng)特征調(diào)控的遷移方法，應(yīng)用于行人檢測(cè)問(wèn)題。首先，為了讓卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)地為每個(gè)測(cè)試樣本生成合乎目標(biāo)場(chǎng)景概率分布的深度特征，提出了一種新的動(dòng)態(tài)池化層，該層通過(guò)加權(quán)的