《基於深度表達和遷移學習的人體檢測研究》是依託華南理工大學，由吳斯擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於深度表達和遷移學習的人體檢測研究
- 項目類別：青年科學基金項目
- 項目負責人：吳斯
- 依託單位：華南理工大學
項目摘要,結題摘要,
項目摘要
隨著視覺監控的廣泛套用，對監控系統的智慧型化需求越來越迫切。對於監控對象是人的場景，人體出現的時間和位置是最關鍵的信息，而實現自動人體檢測是獲取這些信息的必要手段。對人體檢測的研究在過去的20年有很大進展，但在特徵學習和模型領域適應性方面仍有很大改進的空間。現有特徵提取方法難以挖掘圖像高層次信息，本課題擬採用深度卷積網路學習圖像多層次表達，並且通過隨機池化和基於稀疏支持向量機的特徵選擇算法獲取多層次特徵。我們擬提出基於級聯模型的檢測器，其中節點與多層次特徵逐個關聯。由於監控場景千差萬別，源域與目標域數據分布之間可能存在很大差異，本項目擬採用遷移學習方法解決領域適應性問題。在給定少量目標域樣本的情況下，我們擬採用基於模型的遷移學習策略，即通過預訓練檢測器稀疏組合構建新檢測器，從而保證新檢測器泛化能力強。本課題的開展將會為提升人體檢測性能和增強其實用性提供新思路。
結題摘要
隨著我國社會經濟的快速發展，公共安全問題越來越被廣泛重視，智慧型視頻監控技術已成為提高公共安全的重要手段之一。人體檢測是智慧型視頻監控系統中最重要的環節，是後續識別、跟蹤、行為分析等高級任務的基礎。針對實際監控場景中人體檢測任務的困難和挑戰，以及現有檢測模型並未針對少量標註情形進行充分設計，本項目主要圍繞半監督學習，遷移學習及其在行人檢測上的套用等幾個方面開展創新性研究：1，半監督聚類: 提出了增量式半監督聚類集成模型，利用隨機子空間，約束傳播，子模型選擇等技術，有效提高在高維數據空間的聚類性能，且該模型適用於包括數值，文本，圖像等多種類型數據（IEEE TKDE 2016, PR 2016, PR 2019）。2，半監督分類：通過引入輔助聚類任務探索數據結構，提出了基於自步學習的跨任務深度神經網路，能夠有效減少困難樣本對模型訓練的負類影響，從而提升在分類任務上的性能（IEEE TMM 2018）。3，模型遷移學習：針對公共數據集和實際監控場景之間存在顯著差異，提出了基於選擇性集成的遷移學習方法，能夠利用在公共數據集上預訓練檢測模型中的有效成分重組構建適用於實際場景的行人檢測模型，從而實現知識遷移（IEEE TIP 2018）。4，半監督行人檢測：提出了基於半監督提升模型的行人檢測方法，利用大量無標註數據擴充訓練集，並採用基於圖的特徵選擇算法發掘重要特徵用於度量標註樣本和無標註樣本之間的相似性。在少量標註數據的情況下，能夠顯著改進實際監控場景的行人檢測準確率。（PCM 2017，IEEE TCSVT 2018）。研究成果推動了半監督學習及行人檢測領域的發展，具有較好的科學理論價值和工程套用價值。
