弱标注下基于主动学习的检测器适应问题研究

In smart visual surveillance, detector adaptation is an efficient way to guarantee its generalization ability across new environments. Considering the practical applications of smart visual surveillance, this proposal adopts the idea of active learning to research detector adaptation with weak annotated data, towards avoiding re-training detectors and reducing the cost of human annotation for new application environments. The proposal consists of several key research aspects: the principles and technologies of data association with multiple uncertain information sources, active learning with multiple information sources, transfer learning on weak annotated data, et al. We further propose following algorithms to handle above problem, i.e., transfer leaning based on multiple instance learning, incorporating co-training into active annotation, classification based on graphical model with multiple uncertain sources. If the proposal is implemented, we expect that the proposal would improve the development of smart visual surveillance, and provide the key algorithms and technologies for video surveillance.

在智能视觉监控中，检测器适应技术是保证其在新环境下性能的有效手段。本项目面向智能视觉监控的实际需求，以避免重新训练检测器和减少新环境下样本的人工标注为目标，利用主动学习，开展弱标注下检测器适应问题的研究，包括：多个不可靠信息源下，数据关联的原则与技术；多信息源下的主动标注技术；弱标注下的迁移学习技术等问题。针对视觉监控数据的特点，我们提出了基于多实例学习的领域适应算法、融合协同训练的主动标注算法、基于图模型的多个不可靠信息源下的分类算法。通过本研究的实施，将对智能视觉监控技术起到推动作用，为视频监控服务提供核心算法与技术。

针对智能视觉监控中检测器适应技术问题。本项目面向智能视觉监控的实际需求，以避免重新训练分类器为目标。按照项目计划书的研究思路，从特征的线性和非线性迁移学习、分类器的非线性逼近下的数据关联、弱标注下的特征学习等几个方面研究工作，取得了一系列的阶段性研究成果。共发表学术论文17篇，包括TMM、TIP本领域权威国际期刊3篇、Neurocomputing、CVIU等本领域内知名国际期刊7篇、ACM MM、ICIP等知名国际会议论文6篇；申请国内发明专利2项。项目组成员参加了ICME、ICIP等国际会议，1人成为CCF多媒体专业委员会委员。具体如下：..1．特征的线性和非线性迁移学习.基于稀疏编码的特征表示有利于图像表示。但是，其中的字典需要在测试集改变时，需要进行重新学习。本项目提出了基于已有字典进行迁移学习的策略，分别假设线性和非线性变换关系，采用最大化抽取的策略来描述图像区域，从中抽取有效特征进行图像表示。相关工作在会议ACM MM2013，期刊PRL2014和TIP 2015上发表。..2. 线性逼近非线性的数据关联方法.用局部线性逼近非线性策略，能有效地降低模型复杂度并提高模型的泛化能力。本项目从局部约束对非线性函数Lipschitz光滑性来展开研究，首先在理论上讨论了高斯、学生分布局部约束下的非线性逼近能力，并提出了局部拉普拉斯来平衡局部重构和局部性。该方法显著提高了分类能力，并在各类数据关联上验证该方法的有效性。相关的研究成果发表于会议ICME2014和国际期刊Neurocomputing2015、T-Cybernetics2015。..3．弱标注下的特征学习.特征表示通常和分类成为两个独立部分进行。为了弥补独立步骤带来的性能损失，我们利用弱标注信息在图像不同区域学习判别性的特征。在不同的位置和区域随机的选择特征，然后利用弱标注信息来学习特征的方向和位置。该方法能显著提高特征的分类能力。相关的研究成果发表于国际期刊Information Sciences2015上。..4. 不可靠信息源下的数据关联.在数据的关联中，用多个信息源的数据能有效提高数但是如何自适应的更新各个信息源的权重是问题关键。利在线的结构化支撑向量机来进行物体的关联。该方法能显数据关联能力。相关的研究成果发表于国际期刊signal processing letters 2014上。