基于特征学习的领域自适应目标检测方法研究

When an object detector is applied to a new scene, the detection performance always will drop rapidly. The methods for automatically transferring the object detector towards specific scenes are required. In recent years, domain adaption method for object detection has become an increasing concern. Although some methods have been developed for this purpose, however they are still not good enough for real world applications. From the previous research experiences in the fields of machine learning and computer vision, based on feature learning, we propose to study the methods which can transfer the object detector towards specific scenes by combining some methods such as deep model, support vector machine, etc. The research contents include: 1）sample selection and feature space mapping methods based on feature learning, 2）discriminate feature learning model and the corresponding object detector transferring methods, 3）online incremental feature learning methods and fast object detector transferring methods, and 4）object context feature learning methods and the corresponding object detector transferring methods. The main innovation points are: 1) the different kinds of feature learning models, such as discriminate feature learning, online incremental feature learning, object context feature learning, etc, 2) the transferring methods and the fast transferring methods based on the learned features. The results obtained through these studies are expected not only to enrich the methods of object detection and machine learning theory, but also to make important contributions to social and economic development.

当把训练好的目标检测器应用于新环境时，检测效果通常会迅速下降，因此需要在不受人工干预条件下，让目标检测器自动的适应新环境。领域自适应的目标检测方法研究近年来日益受到关注，虽取得了一些成果，但方法体系远未完善，距离实际应用也有较大距离。针对这种情况，在以往机器学习和计算机视觉研究基础上，本课题提出基于特征学习，通过有机结合深度模型、支持向量机等方法实现目标检测器针对具体应用场景的迁移。研究内容有：基于特征学习的样本选择与特征空间自动映射方法研究；鉴别特征学习模型及其迁移方法研究；研究在线特征学习算法以及目标检测器快速迁移方法；研究利用场景上下文迁移目标检测器。本课题创新之处有：各类特征学习模型，如鉴别特征学习、在线特征学习、基于上下文特征学习模型等；基于这些特征的目标检测器迁移以及快速迁移方法研究。通过这些研究，取得的成果不仅能丰富目标检测方法和机器学习理论，也有很重要的社会与经济价值。

项目背景：当把训练好的目标检测器应用于新环境时，检测效果通常会迅速下降，因此需要在不受人工干预条件下，让目标检测器自动的适应新环境。下降原因两方面，一方面是原训练集包含了太多不同情形下的目标样本，而新场景中目标样本只是原训练集的一个小子集，充分训练后的目标检测器会在新场景中产生较高误报；另一方面，原训练集不可能收集到所有情形下的样本，可能缺失与新应用场景相关的目标样本，此时的目标检测器将产生很多漏报。..主要研究内容：基于特征学习的样本选择与特征空间自动映射方法研究；离线的基于有区分度特征学习的领域自适应目标检测方法研究；面向实时的、动态环境的领域自适应目标检测方法研究，主要关注特征快速学习以及弱分类器动态优化集成；融入上下文信息的领域自适应目标检测方法研究。..重要结果：建立了一套无监督目标检测器迁移新框架；建立了适于迁移的基于记忆的目标检测模型；提出了融入上下文信息的目标检测迁移框架以及有机结合各类弱分类器进行迁移的方法。发表SCI检索论文25篇，国际会议论文6篇，其中中科院二区以上期刊论文4篇，CCF A/B会议论文4篇。发表于ICME2017论文获得最佳学生论文奖。专利申请10项以上，授权专利6件。研制了一款移动机器人平台, 用于验证领域自适应目标检测算法，取得不错的效果。..科学意义：基于特征学习的领域自适应目标检测方法研究属于跨域跨任务学习，是后深度学习时代基于少样本学习研究的重要问题之一。其具有很重要的科学意义，隶属于视听觉信息的认知计算与人机交互方向，该方向属于《国家自然科学基金“十三五”发展规划》中重点支持研究方向，同时也是《国家中长期科学和技术发展规划纲要》前沿技术类智能感知技术方向。同时，研究也有很重要的社会价值与经济价值，在许多学科和工程应用领域都有广泛应用，诸如机器人、自主驾驶、医学图像分析、物联网等等。