《基於特徵學習的領域自適應目標檢測方法研究》是依託電子科技大學,由葉茂擔任醒目負責人的面上項目。
基本介紹
- 中文名：基於特徵學習的領域自適應目標檢測方法研究
- 依託單位：電子科技大學
- 項目類別：面上項目
- 項目負責人：葉茂
項目摘要,結題摘要,
項目摘要
當把訓練好的目標檢測器套用於新環境時，檢測效果通常會迅速下降，因此需要在不受人工干預條件下，讓目標檢測器自動的適應新環境。領域自適應的目標檢測方法研究近年來日益受到關注，雖取得了一些成果，但方法體系遠未完善，距離實際套用也有較大距離。針對這種情況，在以往機器學習和計算機視覺研究基礎上，本課題提出基於特徵學習，通過有機結合深度模型、支持向量機等方法實現目標檢測器針對具體套用場景的遷移。研究內容有：基於特徵學習的樣本選擇與特徵空間自動映射方法研究；鑑別特徵學習模型及其遷移方法研究；研究線上特徵學習算法以及目標檢測器快速遷移方法；研究利用場景上下文遷移目標檢測器。本課題創新之處有：各類特徵學習模型，如鑑別特徵學習、線上特徵學習、基於上下文特徵學習模型等；基於這些特徵的目標檢測器遷移以及快速遷移方法研究。通過這些研究，取得的成果不僅能豐富目標檢測方法和機器學習理論，也有很重要的社會與經濟價值。
結題摘要
項目背景：當把訓練好的目標檢測器套用於新環境時，檢測效果通常會迅速下降，因此需要在不受人工干預條件下，讓目標檢測器自動的適應新環境。下降原因兩方面，一方面是原訓練集包含了太多不同情形下的目標樣本，而新場景中目標樣本只是原訓練集的一個小子集，充分訓練後的目標檢測器會在新場景中產生較高誤報；另一方面，原訓練集不可能收集到所有情形下的樣本，可能缺失與新套用場景相關的目標樣本，此時的目標檢測器將產生很多漏報。 主要研究內容：基於特徵學習的樣本選擇與特徵空間自動映射方法研究；離線的基於有區分度特徵學習的領域自適應目標檢測方法研究；面向實時的、動態環境的領域自適應目標檢測方法研究，主要關注特徵快速學習以及弱分類器動態最佳化集成；融入上下文信息的領域自適應目標檢測方法研究。 重要結果：建立了一套無監督目標檢測器遷移新框架；建立了適於遷移的基於記憶的目標檢測模型；提出了融入上下文信息的目標檢測遷移框架以及有機結合各類弱分類器進行遷移的方法。發表SCI檢索論文25篇，國際會議論文6篇，其中中科院二區以上期刊論文4篇，CCF A/B會議論文4篇。發表於ICME2017論文獲得最佳學生論文獎。專利申請10項以上，授權專利6件。研製了一款移動機器人平台, 用於驗證領域自適應目標檢測算法，取得不錯的效果。 科學意義：基於特徵學習的領域自適應目標檢測方法研究屬於跨域跨任務學習，是後深度學習時代基於少樣本學習研究的重要問題之一。其具有很重要的科學意義，隸屬於視聽覺信息的認知計算與人機互動方向，該方向屬於《國家自然科學基金“十三五”發展規劃》中重點支持研究方向，同時也是《國家中長期科學和技術發展規劃綱要》前沿技術類智慧型感知技術方向。同時，研究也有很重要的社會價值與經濟價值，在許多學科和工程套用領域都有廣泛套用，諸如機器人、自主駕駛、醫學圖像分析、物聯網等等。
