论文部分内容阅读
[摘 要]本文适当运用主动学习方法，提出了一种基于深度神经网络的目标反馈识别方法，可以从无标记测试样本中选择最合适的样本反馈训练深度网络模型，使得识别系统在使用过程中逐渐提高目标识别的准确度和鲁棒性。实验结果表明所提出的方法能够在快速准确地对目标进行辨别的同时，逐渐提升真实场景下应用的准确度。
[关键词]主动学习；深度神经网络；反馈；目标识别
中图分类号：TP391.41 文献标识码：A 文章编号：1009-914X（2016）08-0383-01
Object Feedback Recognition System Base on Deep Learning
Hao Liu1，Junyu Dong1，Xin Sun1，Muwei Jian1
[Abstract]This paper proposed a novel deep neural network based object recognition method with a feedback process by using an appropriate active learning method. It selects better non-labeled samples to feedback and retrain the deep neural network model， which makes the accuracy and robustness of the object recognition system improved gradually during use. The experiments show that the proposed method can recognize the target object in a fast way and improve the accuracy of application in the real scene gradually.
[Key words]Active Learning； Deep Neural Network； Feedback； Object Recognition
1.介紹
目标识别一直以来都是机器学习领域研究的前沿问题，近些年来，出现了一些优秀的基于特征的物体识别方法，例如基于梯度信息的SIFT/SURF[1]算法等，但随着数据集样本的增多，逐渐达到了一定的瓶颈。近年来，基于深度学习所提取的抽象特征在物体识别中取得了非常好的表现。2012年Krizhevsky等人通过使用卷积神经网络取得了较高的图像分类准确率。2014年R. Girshick[2]等人所提出的Region Based CNN算法在目标识别领域也取得了较好的结果。虽然这些方法取得了较好的效果，但是日常生活中的场景是多变的，因此需要所得到的模型能够自动学习和适应新的场景和需求，本文将基于RCNN方法提出一种带反馈的自适应学习目标识别算法，它随着反馈的增加，模型越来越完善和智能。
2.相关技术介绍
2.1 RCNN算法
Region Based CNN算法首先使用Selective search算法在图像上产生约2000个候选窗口，进行目标检测。然后使用CNN对每一个候选窗口提取4096维特征来表示每个Proposal，最后用SVM分类器对目标进行分类。
2.2 主动反馈学习
主动学习具有减少冗余和快速收敛的优势。通过一定的主动学习方法选择出一个或一批最有用的样本，并向检查者询问标签，然后利用获得的新知识来训练分类器和进行下一轮查询。本文使用主动学习的思想对反馈识别过程进行控制。
3.基于主动学习的物体反馈识别
目标反馈识别是一个智能化的交互过程，它先使用有限训练数据训练出一个初始分类模型，这个模型对物体进行识别的准确率可能并不高。接下来，我们希望后续的每次识别都能够为模型提供信息，模型依据这些信息重新训练，实现对分类模型的修改与完善。本文基于RCNN算法，首先使用有限标定样本进行训练，利用RCNN 生成一个初始模型。然后每次使用主动学习的方法，从未标记样本集中选择出n0个最有用的、最利于完善分类模型的样本图像；最后利用检查者对样本所做的标记，进一步训练分类器，完善模型，迭代进行，最终实现模型的自动更新达到最优的识别效果。
4.实验
以1.1图的Train图像为例进行识别，图1.2得到识别结果为Bus，识别发生错误，此时使用本文方法进行反馈，系统将结果反馈给分类模型，这样选择出的每张图像都会反馈一个结果来优化模型，迭代进行。如果如图1.3再次对这张图像进行识别，得到识别结果“未检测到Bus”，识别正确，说明反馈过程起到了应有的作用。通过实验可以表明，本文提出的方法会使物体识别变得越来越智能。
5.结论
本文提出的基于深度神经网络的目标反馈识别方法，使用主动学习来对反馈识别过程进行控制，通过对VOC2007数据集中的Train类图像进行识别试验的结果可以看到，本文提出的方法成功提升了目标识别系统的准确度和鲁棒性，逐渐提升了在复杂多样的真实场景下识别目标的准确度，使得系统越来越完善与智能，最终实现了非常好的目标识别效果。
参考文献
[1]Lowe， D. G.， "Distinctive Image Features from Scale-Invariant Keypoints "， International Journal of Computer Vision， 60， 2， pp. 91-110， 2004.
[2]Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation，R. Girshick， J. Donahue， T. Darrell， J. Malik，IEEE CVPR （Oral）， 2014.
[关键词]主动学习；深度神经网络；反馈；目标识别
中图分类号：TP391.41 文献标识码：A 文章编号：1009-914X（2016）08-0383-01
Object Feedback Recognition System Base on Deep Learning
Hao Liu1，Junyu Dong1，Xin Sun1，Muwei Jian1
[Abstract]This paper proposed a novel deep neural network based object recognition method with a feedback process by using an appropriate active learning method. It selects better non-labeled samples to feedback and retrain the deep neural network model， which makes the accuracy and robustness of the object recognition system improved gradually during use. The experiments show that the proposed method can recognize the target object in a fast way and improve the accuracy of application in the real scene gradually.
[Key words]Active Learning； Deep Neural Network； Feedback； Object Recognition
1.介紹
目标识别一直以来都是机器学习领域研究的前沿问题，近些年来，出现了一些优秀的基于特征的物体识别方法，例如基于梯度信息的SIFT/SURF[1]算法等，但随着数据集样本的增多，逐渐达到了一定的瓶颈。近年来，基于深度学习所提取的抽象特征在物体识别中取得了非常好的表现。2012年Krizhevsky等人通过使用卷积神经网络取得了较高的图像分类准确率。2014年R. Girshick[2]等人所提出的Region Based CNN算法在目标识别领域也取得了较好的结果。虽然这些方法取得了较好的效果，但是日常生活中的场景是多变的，因此需要所得到的模型能够自动学习和适应新的场景和需求，本文将基于RCNN方法提出一种带反馈的自适应学习目标识别算法，它随着反馈的增加，模型越来越完善和智能。
2.相关技术介绍
2.1 RCNN算法
Region Based CNN算法首先使用Selective search算法在图像上产生约2000个候选窗口，进行目标检测。然后使用CNN对每一个候选窗口提取4096维特征来表示每个Proposal，最后用SVM分类器对目标进行分类。
2.2 主动反馈学习
主动学习具有减少冗余和快速收敛的优势。通过一定的主动学习方法选择出一个或一批最有用的样本，并向检查者询问标签，然后利用获得的新知识来训练分类器和进行下一轮查询。本文使用主动学习的思想对反馈识别过程进行控制。
3.基于主动学习的物体反馈识别
目标反馈识别是一个智能化的交互过程，它先使用有限训练数据训练出一个初始分类模型，这个模型对物体进行识别的准确率可能并不高。接下来，我们希望后续的每次识别都能够为模型提供信息，模型依据这些信息重新训练，实现对分类模型的修改与完善。本文基于RCNN算法，首先使用有限标定样本进行训练，利用RCNN 生成一个初始模型。然后每次使用主动学习的方法，从未标记样本集中选择出n0个最有用的、最利于完善分类模型的样本图像；最后利用检查者对样本所做的标记，进一步训练分类器，完善模型，迭代进行，最终实现模型的自动更新达到最优的识别效果。
4.实验
以1.1图的Train图像为例进行识别，图1.2得到识别结果为Bus，识别发生错误，此时使用本文方法进行反馈，系统将结果反馈给分类模型，这样选择出的每张图像都会反馈一个结果来优化模型，迭代进行。如果如图1.3再次对这张图像进行识别，得到识别结果“未检测到Bus”，识别正确，说明反馈过程起到了应有的作用。通过实验可以表明，本文提出的方法会使物体识别变得越来越智能。
5.结论
本文提出的基于深度神经网络的目标反馈识别方法，使用主动学习来对反馈识别过程进行控制，通过对VOC2007数据集中的Train类图像进行识别试验的结果可以看到，本文提出的方法成功提升了目标识别系统的准确度和鲁棒性，逐渐提升了在复杂多样的真实场景下识别目标的准确度，使得系统越来越完善与智能，最终实现了非常好的目标识别效果。
参考文献
[1]Lowe， D. G.， "Distinctive Image Features from Scale-Invariant Keypoints "， International Journal of Computer Vision， 60， 2， pp. 91-110， 2004.
[2]Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation，R. Girshick， J. Donahue， T. Darrell， J. Malik，IEEE CVPR （Oral）， 2014.