弱標註下基於主動學習的檢測器適應問題研究

《弱標註下基於主動學習的檢測器適應問題研究》是依託北京工業大學，由龐俊彪擔任項目負責人的青年科學基金項目。

基本介紹

• 中文名：弱標註下基於主動學習的檢測器適應問題研究
• 項目類別：青年科學基金項目
• 項目負責人：龐俊彪
• 依託單位：北京工業大學

項目摘要

在智慧型視覺監控中，檢測器適應技術是保證其在新環境下性能的有效手段。本項目面向智慧型視覺監控的實際需求，以避免重新訓練檢測器和減少新環境下樣本的人工標註為目標，利用主動學習，開展弱標註下檢測器適應問題的研究，包括：多個不可靠信息源下，數據關聯的原則與技術；多信息源下的主動標註技術；弱標註下的遷移學習技術等問題。針對視覺監控數據的特點，我們提出了基於多實例學習的領域適應算法、融合協同訓練的主動標註算法、基於圖模型的多個不可靠信息源下的分類算法。通過本研究的實施，將對智慧型視覺監控技術起到推動作用，為視頻監控服務提供核心算法與技術。

結題摘要

針對智慧型視覺監控中檢測器適應技術問題。本項目面向智慧型視覺監控的實際需求，以避免重新訓練分類器為目標。按照項目計畫書的研究思路，從特徵的線性和非線性遷移學習、分類器的非線性逼近下的數據關聯、弱標註下的特徵學習等幾個方面研究工作，取得了一系列的階段性研究成果。共發表學術論文17篇，包括TMM、TIP本領域權威國際期刊3篇、Neurocomputing、CVIU等本領域內知名國際期刊7篇、ACM MM、ICIP等知名國際會議論文6篇；申請國內發明專利2項。項目組成員參加了ICME、ICIP等國際會議，1人成為CCF多媒體專業委員會委員。具體如下： 1．特徵的線性和非線性遷移學習 基於稀疏編碼的特徵表示有利於圖像表示。但是，其中的字典需要在測試集改變時，需要進行重新學習。本項目提出了基於已有字典進行遷移學習的策略，分別假設線性和非線性變換關係，採用最大化抽取的策略來描述圖像區域，從中抽取有效特徵進行圖像表示。相關工作在會議ACM MM2013，期刊PRL2014和TIP 2015上發表。 2. 線性逼近非線性的數據關聯方法 用局部線性逼近非線性策略，能有效地降低模型複雜度並提高模型的泛化能力。本項目從局部約束對非線性函式Lipschitz光滑性來展開研究，首先在理論上討論了高斯、學生分布局部約束下的非線性逼近能力，並提出了局部拉普拉斯來平衡局部重構和局部性。該方法顯著提高了分類能力，並在各類數據關聯上驗證該方法的有效性。相關的研究成果發表於會議ICME2014和國際期刊Neurocomputing2015、T-Cybernetics2015。 3．弱標註下的特徵學習 特徵表示通常和分類成為兩個獨立部分進行。為了彌補獨立步驟帶來的性能損失，我們利用弱標註信息在圖像不同區域學習判別性的特徵。在不同的位置和區域隨機的選擇特徵，然後利用弱標註信息來學習特徵的方向和位置。該方法能顯著提高特徵的分類能力。相關的研究成果發表於國際期刊Information Sciences2015上。 4. 不可靠信息源下的數據關聯 在數據的關聯中，用多個信息源的數據能有效提高數但是如何自適應的更新各個信息源的權重是問題關鍵。利線上的結構化支撐向量機來進行物體的關聯。該方法能顯數據關聯能力。相關的研究成果發表於國際期刊signal processing letters 2014上。