基于多示例弱監(jiān)督學(xué)習(xí)的物體檢測和分類方法研究.pdf

1、物體檢測與分類是計(jì)算機(jī)視覺領(lǐng)域的最重要的兩個(gè)研究方向?，F(xiàn)有大量研究成果中，良好的圖片標(biāo)記是獲得較好性能的關(guān)鍵前提。然而，圖片標(biāo)記卻是耗時(shí)、耗力的，能否從互聯(lián)網(wǎng)中大量標(biāo)記的圖片中去建模識別并分類物體是一個(gè)較為困難的研究問題。本文從弱監(jiān)督學(xué)習(xí)的思路出發(fā)，即基于弱標(biāo)注圖片（類標(biāo)信息只提供到圖片層次）進(jìn)行多示例的建模學(xué)習(xí)。在多示例學(xué)習(xí)問題中，如何從復(fù)雜數(shù)據(jù)中發(fā)現(xiàn)有效的正例仍是較為挑戰(zhàn)的難題。本文核心研究此問題，主要研究工作及成果概況如下。

2、>　　首先，我們提出了一個(gè)基于低秩和稀疏約束的子空間模型。由于同類物體的外觀往往是相似的，因此物體的高維特征往往可以用低維子空間來表示。據(jù)此，我們提出一個(gè)子空間模型的學(xué)習(xí)方法來解決弱監(jiān)督物體檢測和分類問題。通過系數(shù)矩陣的低秩約束來對每一幅包含目標(biāo)物體的圖片進(jìn)行優(yōu)化求解一個(gè)標(biāo)量矩陣。為提高準(zhǔn)確率，我們通過引入?-insensitive loss和不相關(guān)因子，來增加子空間模型和顯著負(fù)例之間的差距。并采用Block Coordinate De

3、scent和Alternating Direction Method of Multipliers(ADMM)方法來優(yōu)化。
　　其次，我們提出了一個(gè)基于關(guān)鍵示例的物體分類模型(SMDIS)。SMDIS首先從正包選出真正的正例，然后結(jié)合Smooth Latent Support Vector Machine(SLSVM)進(jìn)行訓(xùn)練，得出一個(gè)物體分類器。SLSVM已經(jīng)在物體分類應(yīng)用中獲得較好的效果。用我們的子空間模型挑出具有代表性的正例

4、，并結(jié)合SLSVM分類，能進(jìn)一步提高模型的性能。在人臉數(shù)據(jù)集AR，UMIST和ORL和真實(shí)圖像數(shù)據(jù)集Pascal2007的實(shí)驗(yàn)中，獲得了比傳統(tǒng)的子空間模型更好的分類效果。
　　在現(xiàn)實(shí)應(yīng)用場景中，往往一張圖片會(huì)包含多個(gè)正例。對此，我們通過學(xué)習(xí)多個(gè)子空間模型，采用基于Adaboost的策略把這些子空間模型組合在一起，形成集成學(xué)習(xí)分類器，通過學(xué)習(xí)一組權(quán)重把不同的分類器組合起來。該集成分類器能考慮各個(gè)子模型的優(yōu)點(diǎn)，并重點(diǎn)關(guān)注難以區(qū)分類別的