版權(quán)說(shuō)明:本文檔由用戶(hù)提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、目標(biāo)檢測(cè)不僅是目標(biāo)識(shí)別的經(jīng)典問(wèn)題,同時(shí)還是許多其它視覺(jué)任務(wù)的基礎(chǔ)。對(duì)目標(biāo)模型和檢測(cè)算法的研究體現(xiàn)并且推動(dòng)了目標(biāo)識(shí)別領(lǐng)域的整體發(fā)展水平。在檢測(cè)對(duì)象中,非剛性目標(biāo)(如動(dòng)物、人體等)相對(duì)其它目標(biāo)類(lèi)別的檢測(cè)難度更大,主要體現(xiàn)在類(lèi)內(nèi)外觀差異大、特征學(xué)習(xí)的噪聲干擾、局部形變等。近年來(lái)提出的部件模型為描述目標(biāo)類(lèi)別提供了一種有效的方法,特別是針對(duì)非剛性目標(biāo)。該方法將一個(gè)目標(biāo)描述為多個(gè)部件的組合,部件之間基于彈性關(guān)聯(lián),從而使得整體目標(biāo)的檢測(cè)問(wèn)題被分而治之
2、。
本文概述了當(dāng)前主流的部件化方法與模型,分析了它們?cè)诮鉀Q目標(biāo)檢測(cè)問(wèn)題上的關(guān)鍵思想與技術(shù),歸納出部件化檢測(cè)模型的明確定義以及作為部件的重要條件。以此為基礎(chǔ),本文著眼于非剛性目標(biāo)的檢測(cè)問(wèn)題提出了一系列部件化方法和模型以提高識(shí)別精度。具體研究路線(xiàn)為:(1)應(yīng)用部件化思想解決傳統(tǒng)檢測(cè)方法的弊病,(2)通過(guò)分析現(xiàn)有部件化方法的不足從不同角度提出改進(jìn)方案。本文的所有實(shí)驗(yàn)基于標(biāo)準(zhǔn)化數(shù)據(jù)集,評(píng)估對(duì)象參照當(dāng)前最新的檢測(cè)方法,實(shí)驗(yàn)結(jié)果驗(yàn)證了本文
3、所提方法與模型的有效性,并且給出大量具有參考價(jià)值的結(jié)論。本文的主要工作及貢獻(xiàn)如下:
1.針對(duì)概率投票模型誤檢率偏高的問(wèn)題提出了一種基于部件的判別投票方法。概率投票模型是實(shí)現(xiàn)非剛性目標(biāo)的檢測(cè)以及輪廓識(shí)別的重要方法,該類(lèi)模型的兩個(gè)缺陷易形成誤檢:一是投票元素集(即碼本)的學(xué)習(xí)策略過(guò)于簡(jiǎn)單,易受噪聲影響;二是各元素獨(dú)立投票的可靠性較差。為此,本文提出了一種基于部件的判別投票方法,該方法將概率投票轉(zhuǎn)換為線(xiàn)性判別計(jì)算,通過(guò)統(tǒng)計(jì)學(xué)習(xí)理論優(yōu)
4、化投票元素的權(quán)重,從而提高碼本學(xué)習(xí)的效率。另一方面,該方法通過(guò)部件化碼本將特征的全局獨(dú)立投票轉(zhuǎn)換為局部一致化投票,從而避免獨(dú)立投票的不穩(wěn)定性和噪聲干擾。
2.針對(duì)弱監(jiān)督環(huán)境下的特征學(xué)習(xí)問(wèn)題,提出了一種自適應(yīng)的部件學(xué)習(xí)方法。在弱監(jiān)督環(huán)境下,部件模型采用啟發(fā)式搜索策略自動(dòng)獲得判別化部件,但無(wú)法度量部件與目標(biāo)類(lèi)別是否真正相關(guān)。本文提出了一種自適應(yīng)的部件學(xué)習(xí)方法,該方法融合多類(lèi)圖像線(xiàn)索改進(jìn)原有搜索策略,使其在選取判別化部件同時(shí)盡可能保
5、證該部件與目標(biāo)具有語(yǔ)義相關(guān)性。該方法的關(guān)鍵思想是計(jì)算每個(gè)候選窗口的顏色、紋理和邊緣在分布上的一致化程度,一致化分布較高的候選窗口對(duì)應(yīng)的相關(guān)性更強(qiáng)。本文構(gòu)建兩種學(xué)習(xí)策略:一是將自適應(yīng)方法作為原有部件搜索的后處理模塊;二是構(gòu)建基于形狀的部件模型,直接整合部件搜索與定位。
考慮到當(dāng)前部件學(xué)習(xí)方法在每個(gè)訓(xùn)練樣本中是“強(qiáng)制”選取所有部件,當(dāng)樣本不完整或存在部分遮擋時(shí)選取的部件實(shí)為噪聲,因此本文還提出一種簡(jiǎn)單有效的部件剪枝策略,以樣本的分
6、類(lèi)得分作為過(guò)濾偽正樣本的依據(jù),該方法能有效地降低訓(xùn)練過(guò)程中噪聲部件的比例,加速學(xué)習(xí)收斂速度。
3.針對(duì)非剛性目標(biāo)的類(lèi)內(nèi)外觀差異問(wèn)題提出了一種層次化的聯(lián)合檢測(cè)模型。姿態(tài)變化是引起非剛性目標(biāo)外觀差異的主要原因之一。傳統(tǒng)的檢測(cè)模型基于樣本的長(zhǎng)寬比劃分目標(biāo)外觀,但該劃分依據(jù)不能反映目標(biāo)外觀的真實(shí)分布,尤其對(duì)于非剛性目標(biāo)。為此,本文將姿態(tài)估計(jì)整合至目標(biāo)檢測(cè)過(guò)程,構(gòu)建一個(gè)聯(lián)合檢測(cè)模型。該模型具有兩個(gè)特點(diǎn):一是并行化處理目標(biāo)檢測(cè)與姿態(tài)估計(jì),
7、避免串行聯(lián)合引發(fā)的錯(cuò)誤傳播;二是兼顧目標(biāo)檢測(cè)與姿態(tài)估計(jì)的判別化計(jì)算,同時(shí)提升兩者的檢測(cè)性能。
4.部件的自動(dòng)標(biāo)注能夠?yàn)楸O(jiān)督部件模型提供有效的部件層樣本?,F(xiàn)實(shí)環(huán)境中因無(wú)法確保訓(xùn)練-測(cè)試集具有相同的特征分布,因而作用于部件標(biāo)注任務(wù)的傳統(tǒng)機(jī)器學(xué)習(xí)算法將受到性能限制。本文提出了一種基于領(lǐng)域自適應(yīng)的學(xué)習(xí)算法,將該算法應(yīng)用于部件標(biāo)注任務(wù)的參數(shù)學(xué)習(xí)。自適應(yīng)算法擴(kuò)展結(jié)構(gòu)化支持向量機(jī)的損失函數(shù),引入基于相似度的正則子,實(shí)現(xiàn)優(yōu)化損失度與參數(shù)差異度
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 非剛性目標(biāo)的跟蹤-學(xué)習(xí)-檢測(cè)算法研究.pdf
- 車(chē)路協(xié)同系統(tǒng)中基于部件的車(chē)輛目標(biāo)檢測(cè)方法研究.pdf
- 基于稀疏表示的非剛性配準(zhǔn)方法研究.pdf
- 非平面場(chǎng)景下的運(yùn)動(dòng)目標(biāo)檢測(cè)方法研究.pdf
- 基于迭代線(xiàn)性?xún)?yōu)化的剛性和非剛性點(diǎn)集配準(zhǔn)方法研究.pdf
- 基于部件模型的多類(lèi)目標(biāo)檢測(cè)算法研究.pdf
- 基于物理形變模型的非剛性配準(zhǔn)研究方法綜述
- 基于不變特征的目標(biāo)檢測(cè)方法研究.pdf
- 基于FPGA的運(yùn)動(dòng)目標(biāo)檢測(cè)方法研究.pdf
- 基于GPU的光電目標(biāo)檢測(cè)方法研究.pdf
- 基于稀疏表示的可變形部件模型目標(biāo)檢測(cè).pdf
- 基于CT圖像的肺部輪廓非剛性配準(zhǔn)方法.pdf
- 基于Active Demons算法的非剛性圖像配準(zhǔn)方法研究.pdf
- 基于圖像結(jié)構(gòu)的目標(biāo)檢測(cè)方法研究.pdf
- 基于目標(biāo)檢測(cè)的視頻取證方法研究.pdf
- 醫(yī)學(xué)圖像的非剛性配準(zhǔn)方法研究.pdf
- 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)優(yōu)化方法研究.pdf
- 基于跟蹤反饋的雷達(dá)目標(biāo)檢測(cè)方法研究.pdf
- 基于稀疏表示的運(yùn)動(dòng)目標(biāo)檢測(cè)方法研究.pdf
- 基于遙感圖像的橋梁目標(biāo)檢測(cè)方法研究.pdf
評(píng)論
0/150
提交評(píng)論