基于自我发育机制的视觉识别方法研究

In view of the shortcomings of traditional cognitive visual mechanism research, this project draws lessons from cognitive science and neurobiology to simplify the cognitive mechanism of human brain. A cognitive visual model based on hippocampal-prefrontal memory system is proposed, based on the simplification of functional model theory. Among them, the growing competitive depth neural network is used to realize the cognitive learning of the model, which not only has the ability of on-line, incremental and lifelong learning, but also can guide and control the autonomous learning of the system depth network through the internal motivation drive of evaluation. The visual ability is expanded and the knowledge and experience is stored. Using lightweight convolution neural network to realize working memory has the advantage of distributed information storage. It not only retains the advantages of fault tolerance and robustness, but also has the characteristics of easy learning and fast calculation. The establishment of depth learning platform with working area can realize the fast construction and autonomous learning of depth neural network, and achieve the level of adaptive cognitive network structure based on specific visual task and the function of small sample learning.

针对传统认知视觉机理研究方法的不足，本项目借鉴认知科学和神经生物学中人脑认知机理，在功能模型理论简化的基础上，拟建立一种基于海马-前额叶记忆系统的认知视觉模型。其中，采用生长性竞争深度神经网络实现模型的认知学习，不仅具备在线的，增量的，终生学习的能力，且能通过评价的内部动机驱动，引导和控制系统深度网络的自主学习，将视觉能力拓展，将学到的知识和经验存储至深度网络中，使得系统根据其自身与环境的不断评价交互学习来主动调整学习策略，不断积累经验和拓展其视觉任务的能力。采用轻量化卷积神经网络实现工作记忆，具有信息分布式存储的优点，不仅保留了神经网络存储记忆具有容错性和鲁棒性优点，而且具有易学习、计算快速的特点。建立具有工作区的深度学习平台，可实现深度神经网络的快速搭建与自主学习，达到依据具体视觉任务建立自适应的认知网络结构的层次且具有小样本学习的功能。

觉识别在工业等领域有着广泛的应用价值，针对传统认知视觉机理研究方法的不足，本项目借鉴海马-前额叶记忆系统的认知视觉模型，在功能模型理论简化的基础上，探索与建立能自我学习与成长的认知视觉模型。通过研究，取得了一些有创新和应用价值的成果：.1.采用生长性深度神经网络实现模型的自学习，具备了在线和增量学习能力，通过内部动机驱动，引导和控制系统深度网络的自主学习，并将学到的知识和经验存储至深度网络中，使系统根据其自身与环境的不断评价交互学习来主动调整学习策略，不断积累经验和拓展其视觉任务的能力；.2采用轻量化卷积神经网络实现主动学习，通过应用场景的上下文研究，有效提升目标尤其是小目标识别精度和鲁棒性；.3应用迁移学习方法，解决深度学习标注数据不够问题；.4 研究显著性目标检测以提高视觉识别的快速性与精度，针对基于区域的目标检测算法中定位精度不高的问题，我们研究提出了一种分裂机制的改进Faster RCNN算法；.5在工业的几个领域，包括瓷片、刚板、变压器等，获取了质量缺陷的数据，形成了可以推广使用的数据集。