面向移动环境基于群智计算的目标检测关键技术研究

Along with the rapid penetration of smart terminals and social media, the digital images shared in the Internet experience explosive growth. How to detect and recognize the objects contained in images effectively is a hot topic in recent years. Nevertheless, most of the current studies focus on server farms, and pay little attention to mobile environment, which brings significant challenges to mobile object detection applications. Thus, this proposal aims to study on distributed object detection framework which is suitable for mobile environment, and resolve the associated key technologies. Specifically, we will study on the following aspects: (1) Research on distributed object detection framework suitable for mobile environment. It will integrate the processing power from both mobile nodes and fog nodes residing on the network edge, and leverage model parallelism and data parallelism to improve network robustness. (2) In the face of lack of large-scale labelled dataset, which are fundamental for deep learning models, we study crowds-based object detection models and integrate the results from the crowds into the model to increase detection accuracy. (3) Small objects exist in lots of mobile applications. Nevertheless, the current studies to detect small objects still lack of accuracy. To tackle the problem, we propose to utilize converged features from multiple hidden layers, and cascade a lightweight region proposal network to improve detection accuracy.

随着智能终端的快速普及和社交媒体的蓬勃发展，互联网上分享的数字图像呈爆炸式增长，如何快速有效检测和识别图像目标是近年来的研究热点。但现有研究大多集中于服务器集群，对移动环境关注较少，这给移动目标检测应用带来很大挑战。因此，本项目旨在研究面向移动环境的分布式目标检测框架，并解决相应关键问题。具体包括：（1）研究适合移动环境的分布式目标检测框架，综合考虑移动节点和网络边缘雾节点的处理能力，采用模型并行和数据并行提高网络健壮性；（2）针对现有深度学习模型强依赖于大型有标注数据集，而此类数据集在诸多移动应用领域缺失的问题，研究基于群智计算的目标检测模型，并把群智计算结果集成到深度学习模型中提高群智处理质量；（3）针对移动应用中存在诸多小目标而当前研究对小目标检测精度不够的问题，提出采用多层特征融合，并级联轻量级区域建议网络的方法提高目标检测精度。

本项目以深度学习、分布式机器学习为主要研究手段，研究面向移动环境的目标检测关键技术中分布式目标检测框架、基于群智计算的目标检测模型与面向移动环境的小目标检测方法。.在分布式目标检测框架研究方面，针对移动环境目标检测任务面临的数据无法归集和数据不均衡问题，提出面向移动环境的高性能分布式目标检测框架。首先，提出一种面向去中心化数据的目标检测模型训练算法，实现目标检测模型的多方协同有效训练；随后，通过联邦学习算法训练目标检测模型，提出异常值抑制算法，缓解数据分布不均带来的不良影响；最后，对计算图进行自动部署，为目标检测模型的计算图自动分配到移动终端，实现多设备协同推理的优化部署方案。该方案能扩展移动环境中的可用数据，提升模型在移动环境中的效率，获得更精确、更迅速的目标检测算法，促进移动环境中更多计算机视觉应用落地。.在基于群智计算的目标检测模型研究方面，针对现有深度学习模型强依赖大型有标注数据集，而此类数据集在诸多移动应用领域缺失的问题，研究基于群智计算的目标检测模型。首先，提出一种基于多回合自修正的标注方法，该方法具有良好的可扩展性和准确性；其次，提出了一种新的基于众包重复标签的ground truth推理方案，该方案能有效处理噪声数据，并取得与ground truth训练模型相当的结果，解决大规模有标注数据集缺失问题，对推动深度学习在更多领域的应用具有重要意义。.在小目标检测方法研究方面，针对移动端小目标特征较弱、判别性不强、速度不快的问题，提出一种适用于移动端小目标检测的方法。首先，提出了基于特征聚合的多路径网络，增强了小目标的特征表示，改善了小目标检测的精度；其次，提出了基于预检测机制的低秩分配分解（RAD）压缩算法和一种新颖且高效的三网络知识蒸馏框架，改善小目标检测的速度。该方案能增强小目标特征，解决移动端小目标检测模型精度不高、速度不快问题，提升移动环境下的小目标检测效果。