面向動態(tài)場景理解的時空深度學(xué)習(xí)算法.pdf

1、動態(tài)場景理解是一個計算機視覺和機器學(xué)習(xí)的交叉子問題，一直以來都是一個研究的熱點。本文提出了基于規(guī)則針對動態(tài)監(jiān)控場景中特定事件檢測的算法，并針對其存在的問題，提出了面向動態(tài)監(jiān)控場景的時空深度學(xué)習(xí)算法，并將其在動態(tài)交通場景上進行了應(yīng)用，實現(xiàn)了對方向盤轉(zhuǎn)角的擬人化決策。
　　針對動態(tài)場景理解中特定事件的檢測，本文提出了一種使用基于規(guī)則動態(tài)場景理解算法。該算法通過分析特定事件的特點，為不同的事件制定針對性的檢測規(guī)則，使用光流法和背景建模算

2、法等經(jīng)典計算機視覺算法，并結(jié)合根據(jù)經(jīng)驗設(shè)置的約束檢驗，實現(xiàn)了對應(yīng)的事件檢測。這套算法在監(jiān)控場景的人群異常事件檢測中進行應(yīng)用時，對人群聚集異常檢測的F-Measure達到了90.9％，而在人群逃散異常檢測任務(wù)中，顯示出了對光線變化的魯棒性，在其他非學(xué)習(xí)算法幾乎無法檢測的光線變化劇烈的場景中F-Measure仍達到了61.24%。
　　針對上述基于規(guī)則的方法規(guī)則制定困難且難以推廣的缺點，本文使用深度學(xué)習(xí)算法，提出了一種深度學(xué)習(xí)動態(tài)場景

3、分析算法，該算法不特別針對某類特定事件而是對多種事件普遍適用。本文通過使用多路三維卷積網(wǎng)絡(luò)，提取出動態(tài)場景數(shù)據(jù)中豐富的高層特征，并將這些高層特征融合，用以對動態(tài)場景數(shù)據(jù)的內(nèi)容進行分類，之后在該網(wǎng)絡(luò)結(jié)合之前也有應(yīng)用的經(jīng)驗約束，可有效地進行動態(tài)監(jiān)控場景中的事件檢測。在訓(xùn)練網(wǎng)絡(luò)時，本文使用了預(yù)訓(xùn)練及微調(diào)的方式一定程度上解決了訓(xùn)練樣本不足的問題。在微調(diào)及檢測時，使用了時空分塊策略提升了檢測效果。在監(jiān)控場景的人群異常檢測中這個適用于多種事件深度學(xué)

4、習(xí)動態(tài)場景分析算法取得了比針對特定事件專門制定規(guī)則的方法略優(yōu)的效果。
　　針對面向的動態(tài)交通場景中的決策的任務(wù)，本文將上述多路時空三維卷積網(wǎng)絡(luò)進行了改進和應(yīng)用。本文將卷積網(wǎng)絡(luò)中的一些效果提升方法應(yīng)用到網(wǎng)絡(luò)中，構(gòu)建了時空決策網(wǎng)絡(luò)。通過從經(jīng)驗駕駛員的駕駛數(shù)據(jù)中學(xué)習(xí)有助于網(wǎng)絡(luò)理解動態(tài)交通場景的特征，使得改進后的網(wǎng)絡(luò)成功地對汽車行駛過程中方向盤轉(zhuǎn)角進行了決策。最終得到的時空決策網(wǎng)絡(luò)相對于現(xiàn)在通用的二維卷積神經(jīng)網(wǎng)絡(luò)的平均絕對值誤差減小了0.