面向目标识别中跨域问题的深度学习算法研究

作     者：胡正东 

作者单位：浙江大学 

学位级别：硕士

导师姓名：周建光

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：目标识别 深度学习 跨域问题 行人重识别 小样本学习 

摘      要：目标识别是智能感知领域中机器视觉方向的研究热点之一。随着全球数字化进程的发展,大面积海量布置的相机存在参数差异、图像在全天候获取过程中存在外界环境变化、同来源的大规模训练数据难以获取等因素都会导致训练时的源域数据与测试时的目标域数据在特征空间的分布差异较大,即产生跨域问题,进一步增加了识别的难度。因此,当下面向目标识别中的跨域问题研究十分紧迫且具有重要的意义。本文以目标识别中的行人重识别和小样本学习为切入点,对行人重识别任务和小样本学习任务中的跨域问题开展深度学习算法研究,并取得以下主要研究成果:1)提出一种二阶段的无监督聚类算法,分离重组聚类法(Divide-And-Regroup Clustering,DARC)。针对跨域行人重识别任务,将目标域中的数据根据各自的相机进行划分,对各相机内的数据进行局部聚类。提出投票策略,将具有一定概率属于同一个目标的局部聚类组合。通过分离和重组的策略,避免直接在跨相机场景下对所有数据进行聚类,更专注于每个相机内的特征分布。实验表明DARC能够在“DukeMarket上取得了84.7%的m AP。2)提出一种基于“域间切换策略的跨域小样本学习算法(Domain-switch learning,DSL)。在模型训练过程中,按照一定的顺序不断切换训练数据集,模拟跨域场景。同时提出了两个模块,域内特征提示模块和域间泛化教学模块,分别用于防止训练中的模型产生过拟合,并保持模型的泛化能力。实验表明DSL在5-way 5-shot的设定下,能够在CUB中超过现有表现最优方法+8.58%的准确率。3)提出一种基于转导推理的类别校正模块(Class-corrective module,CCM),用于进一步解决小样本学习中支持数据有限的问题。在测试阶段构建支持样本及各查询图像之间的特征相似度矩阵,为查询图像生成伪标签,并赋予样本初始置信度。在模型的线性分类器微调时,使用样本的概率得分更新置信度权重。DSL+CCM在5-way 5-shot的设定下,能够在CUB中超过现有表现最优方法+4.10%的准确率。