基于深度增强随机森林的精准目标识别研究

Object recognition plays a key role in computer vision, artificial intelligence, and pattern recognition. This project focuses on the problems on how depth-enhanced random forests are at work in precision object recognition. The following four aspects are paid close attention: (1) Modeling based on depth-enhanced random forests. The SIFT and DPM features are merged through deep learning, then are input into random forests model to improve the accuracy of the recognition; (2) Optimizing model based on intelligent evolutionary algorithms. We will design intelligent evolutionary algorithms with high quality adaptive functions, selection strategies, control parameters, and genetic operators to solve the model so as to speed up the computation; (3) Demonstrating convergence and generalization capabilities of the model. Scientific and feasible convex objective function will be employed to guarantee the convergence of model. Classical statistical learning theory and regularization strategy are used to explain the generalization error and prove the generalization ability of the model. (4) Verifying the performance of the model with the six international open standard datasets as references and promoting corresponding products. This project provides new ideas, new methods and new technologies for object recognition tasks, and contributes to the “Power Country of Artificial Intelligence Strategy” with graphic images as core.

目标识别是计算机视觉、人工智能和模式识别中核心问题。本项目研究深度学习增强随机森林在精准目标识别应用中的相关问题。具体内容有：（1）基于深度增强随机森林的建模问题，通过深度学习融合SIFT和DPM特征后，再输入随机森林模型以提高识别的精准程度；（2）基于智能演化算法的模型优化问题，设计具有高质量适应函数、选择策略、控制参数和遗传算子的智能演化算法对模型进行求解以提高目标识别速度；（3）深度增强随机森林模型收敛性和泛化能力证明问题，建立科学合理的凸目标函数保证模型收敛，采用经典统计学习理论和正则化策略解释泛化误差、证明泛化能力；（4）在六大国际公开标准数据集上验证模型的相关性能并做相应产品推广。本项目能为目标识别任务提供新思想、新方法和新技术，能为实现以图形图像为核心的“人工智能强国”战略做出贡献。

【项目的背景】目标识别是在图像中发现具有一定特征并受到人感兴趣区域的过程。近年来，随着计算理论、人工智能、信号处理等方面的理论和技术不断进步，目标识别得到了广泛应用。在深度学习和人工智能日趋成熟的背景下，本项目研究了如何精准、快速地识别出监控视频(图像)中目标的理论和应用问题。.【主要研究内容】项目主要围绕深度随机森林的模型优化求解、收敛性和泛化能力以及模型在应用中的精准度和效率开展研究。主要包括：1）深度增强随机森林（随机蕨）的目标检测模型，2）深度增强随机森林（随机蕨）模型优化求解问题，3）结构随机森林（随机蕨）的自适应目标特征描述和表达，4）深度结构随机森林（随机蕨）在目标检测中的应用。.【重要结果】根据本项目的研究内容和研究目标，形成了以下结果：1）深度学习可以用于增强随机森林的性能，基于深度学习选择训练集中样本以及具有“三性融合”的自适应目标特征描述可以提升随机森林的性能；2）基于差分进化模型的演化模型在随机森林求解中是可行的，其中自适应样本选择策略、目标特征学习的深度学习模型是关键问题；3）在深度增强随机森林中，由于数据维度较高，采用实用的降维方法（例如：模糊聚类局部保存投影等）是十分必要的，降维可以增加计算速度；4）在随机森林中，随机决策树结点分裂的选择标准是核心，基于基尼指数的方法目前算是最可行的方法，但是可以值得进一步研究。.【关键数据】PASCAL Visual Object Classes2012 (VOC)，Microsoft Common Object in Context(MS COCO)，ImageNet Object Detection: ILSVRC DET 2016，Oxford-IIIT Pet Dataset，Cityscapes Dataset，ADE20K Dataset等国际公开目标识别数据库可用于训练模型，但是在实际（例如安全帽检测、空车位检测等）应用中需要做模型的迁移。.【科学意义】基于三性融合的深度增强随机森林建模是提升目标检测的有效方法，其中自适应样本选择策略、目标特征学习、损失函数建立、优化求解方法、收敛性和泛化能力等是项目的关键科学问题。