面向物体识别的迁移学习理论与方法研究

Object recognition is an important function of human vision, which receives more and more attentions. However, the complex variations from diverse scenes lead to a great challenge for object recognition. But if the knowledge can be shared and transferred between scenarios, the object recognition in a target scenario can be boosted. To deal with the challenge of the transfer learning, this project will study on the following issues: explore the relationship and structure of both domains to model the relevance of them, based on which to build the distance metric of distributions; capture the commonality between domain as a bridge, and further model the commonality and particularity jointly to complete the knowledge transfer; explore the multi-source transfer learning via domain selection and ensemble. The project is expected to transfer the knowledge between domains, and promote the application in object recognition.

物体识别是人类视觉的重要功能之一，已成为计算机视觉与模式识别领域的研究热点，具有重要的理论价值与广阔的应用前景。不同场景下物体表观的复杂变化，使得物体识别面临着巨大的挑战。针对不同场景进行知识共享与迁移，可以有效应对场景变化所带来的挑战，并对目标应用场景的物体识别提供重要支持。迁移学习受到了广泛关注并取得了长足的进步，但仍存在诸多挑战。因此，本项目拟对迁移学习开展研究。具体研究内容包括：拟研究领域间的结构关联关系，构建结构化的分布模型，建立分布之间的距离度量准则；进而，研究领域间共性信息的表示与建模，搭建领域间迁移的桥梁，并将其与领域特性信息进行联合建模，构建从源域到目标领域的知识迁移模型；最后，对多个源领域的迁移学习进行探索，研究多源领域的选择与融合问题。本项目预期可以有效地实现不同场景间的知识共享与迁移，促进迁移学习在物体识别的应用。

物体识别作为计算机视觉与模式识别领域的热点问题之一，具有重要的理论价值与广阔的应用前景。传统的方法通常假设训练与测试具有相同的数据分布，由此得到的方法或模型难以适应并推广到复杂变化的场景。迁移学习技术旨在不同场景或任务之间进行知识共享与迁移，对目标应用场景的任务如物体识别提供重要支持，因而受到了越来越多的关注并取得了长足的进步，但仍存在诸多挑战。..本项目围绕迁移学习的核心问题即领域分布距离度量与迁移建模开展工作：（a）研究了无数据分布假设的分布距离度量方法，提出了非参数化的局部结构化分布距离度量准则及与感知一致的对抗生成式分布度量准则，由此可以避免传统方法对数据分布的假设，从而可以有效刻画各种复杂的数据分布；（b）研究了共性信息与个性的联合建模与迁移框架，提出了多领域共性信息的统一判别分析框架，并以此为基础提出了共性信息与个性信息联合的双向迁移方法；（c）进而探索了多领域的联合建模与关联分析，提出了稀疏形状约束的多领域形状标注迁移方法。上述内容从分布差异独立、迁移建模、多领域联合建模等不同层面形成了一套完善的理论与算法，对已有迁移学习理论框架进行了有效补充，创新性地提出了在样本层面对个共性信息与个性信息进行联合迁移的新思路与新方法，显著提升了物体识别、数字识别、人脸识别等迁移任务的识别性能。