基於深度卷積神經網路的對象檢測關鍵技術研究

《基於深度卷積神經網路的對象檢測關鍵技術研究》是依託清華大學，由丁貴廣擔任項目負責人的面上項目。

基本介紹

• 中文名：基於深度卷積神經網路的對象檢測關鍵技術研究
• 依託單位：清華大學
• 項目負責人：丁貴廣
• 項目類別：面上項目

項目摘要

隨著圖像採集技術及網路通信技術的發展，特別是智慧型終端設備和可穿戴設備的出現，全球可視數據（圖像和視頻）迅速增長，如何管理和利用好這些可視數據成為學術界和工業界關注的核心問題。基於深度學習的可視數據分析技術已經被證明是一種有效的計算機視覺方法，早期的研究成果主要集中在基於深度學習的粗粒度圖像分類上，而對於基於深度卷積神經網路的對象檢測方法的研究還很不成熟，其也是未來深度學習套用的重點研究方向，包括眾多基礎理論和實用技術，其研究具有重要理論意義和廣泛套用價值。本項目將針對基於深度卷積神經網路的對象檢測問題展開研究，主要研究內容有：深度卷積神經網路的模型遷移、局部深度特徵學習、視覺對象定位與識別等，並在以上關鍵技術與算法研究的基礎上，研發基於深度卷積神經網路的對象檢測與識別原型系統。本項目力爭在基於深度學習的對象檢測理論上有所突破，技術方法上有所創新，為該項技術的理論研究和實際套用奠定基礎。

結題摘要

對象檢測（Object Detection）技術是可視數據分析和處理的核心技術之一，是對象識別的基礎和關鍵，也是可視數據分析中最為基礎和重要的一環。近年來，深度學習（Deep Learning）的逐漸成熟推動了計算機視覺技術的快速發展和套用，基於卷積神經網路的對象檢測技術是利用深度學習方法學習對象特徵，並結合區域定位方法實現對象在圖像中的定位與識別的技術，其可以有效解決通用對象檢測和識別的問題，研究涉及到計算機視覺、人工智慧、大數據技術等眾多基礎理論和實用技術，對於可視數據的分析具有重要的理論意義和廣泛的套用價值。本項目針對基於卷積神經網路的對象檢測技術開展算法研究和系統開發工作，主要解決了深度學習對象檢測中的弱監督模型訓練、模型壓縮最佳化和視頻對象檢測系統開發等問題，提出了變尺度單濾波視頻對象追蹤方法、有噪訓練數據模型訓練方法、少樣本模型學習方法、自適應模型剪枝策略等，解決了普遍存在的深度模型對標註數據噪聲的影響和深度模型的前端部署難題，並研製了視頻對象檢測與識別原型系統。在項目執行期間，按計畫完成了各項研究工作，累計發表CCF A類論文超過40篇，申請發明專利6項，獲得電子學會技術發明一等獎一項。項目成果在快手和華為等公司進行了套用，取得了良好的套用效果。