基于半监督深度学习与双网络协同的目标跟踪方法研究

In recent years, with the continuous advent of urbanization in China, applications relying on machine learning and artificial intelligence are positively affecting the healthy development of urban transportation. Among them, object tracking technology, as the core and key of research in automatic driving and intelligent monitoring system, has shown its far-reaching research significance and application value. In this project, we will focus on the in-depth research on deep learning and object tracking technologies, so as to improve the robustness, stability and accuracy of the object tracking model. For the training of a robust object classification model in tracking, the project will investigate and propose an object tracking framework based on semi-supervised deep learning. For aiming at reaching the stable update of the model, the project will propose a target tracking method based on incremental self-updating strategy. For taking both robustness and representation accuracy into consideration, the project will further propose a framework of object tracking method based on dual-network ensemble, which integrating attention mechanism for automatic trade-off of both robustness and accuracy. Finally, the research results of this project will lay a theoretical foundation for improving the intelligence of urban video surveillance systems and driver-assistance applications, and further provide a firm protection for safe and efficient urbanization of our traffic environment.

近年来，随着我国城市化进程的不断推进，以机器学习、人工智能为技术手段的应用研究正积极地影响着城市道路交通的健康发展。其中，目标跟踪技术，作为车辆自动驾驶及智能监控系统中研究的核心与关键，具有深远的研究意义与应用价值。本项目将围绕深度学习及目标跟踪相关技术展开深入研究，以提高目标跟踪模型的鲁棒性、稳定性及准确性为关键问题出发点。其中，针对训练高鲁棒性的目标跟踪分类模型，项目将研究并提出一种基于半监督深度学习的目标跟踪框架；针对提高模型更新稳定性的研究，项目将提出一种基于增量式自学习策略的目标跟踪方法；针对兼顾模型鲁棒性及表征准确性的目标跟踪研究，项目将进一步提出一种基于双网络协同的模型框架，并通过注意力机制实现鲁棒性与准确性的智能权衡。最终，项目研究成果将为提高我国城市视频监控系统及车辆辅助驾驶等应用的智能化水平奠定理论基础，为安全、高效的城市化交通环境建设提供有力保障。

近年来，随着我国城市化进程的不断推进，以机器学习、人工智能为技术手段的应用研究正积极地影响着城市道路交通的健康发展。其中，目标检测、跟踪、语义分割、流量预测技术，作为车辆自动驾驶及智能监控系统中研究的核心与关键，具有深远的研究意义与应用价值。本项目围绕深度学习与计算机视觉相关技术展开深入研究，以提高深度学习模型表征及分类鲁棒性、稳定性及准确性为关键问题出发点。在深度学习基础算法研究方面：针对小样本标签数据条件下的高鲁棒半监督学习问题，项目研究并提出了可靠标签选择与学习模式（ReLSL）及FMixCutMatch通用数据增强的半监督深度学习算法，研究并提出了基于多重协调及一致性约束的Transformer小样本模型；针对更一般的类不平衡半监督学习问题，提出了三阶段模型的标签传染及分配训练模式（3LPR），提出了基于双网络协同的灵活辅助图平衡分类器（FGBC）。在深度学习算法应用方面：针对道路交通流量分析与预测问题，提出了端到端的深度学习自适应时空图注意力网络（ASTGAT），基于图神经网络的时空图的人群流量预测方法（STGs）；针对目标跟踪算法及语义分割问题，提出了基于参数空间噪声网络的深度强化学习目标跟踪方法，基于改进生成对抗神经网络的实时目标跟踪算法，基于DA-Res2Net的新型稠密连接残差注意力网络用于图像的语义分割，以及基于多源路径最短距离的交互式图像分割方法等。实验结果表明，所提出的一系列针对智能交通场景下的基础算法及适配应用均达到了同期最佳或先进水平。特别地，在小样本半监督领域，所提出的ReLSL算法在仅有10个标记数据的CIFAR-10上相较于同期最优算法具有6.78%的准确率提升；在类不平衡半监督学习领域，所提出的3LPR算法框架在Small-ImageNet-127仅有10%标注数据条件下相较于基准模型拥有15%以上的准确率提升。此外，在深度学习算法应用的研究方面，相关成果在众多公开数据集，如PEMS-BAY、METR-LA、BikeNYC、TLC、PASCAL VOC 2012、Cityscapes等上均达到了同期最佳及先进水平。最终，项目研究成果将为提高我国城市视频监控系统及车辆辅助驾驶等应用的智能化水平奠定理论基础，为安全、高效的城市化交通环境建设提供有力保障。