1、目標(biāo)識(shí)別是計(jì)算機(jī)視覺領(lǐng)域中的一個(gè)基礎(chǔ)問題，它的核心任務(wù)是將不同類別的圖像彼此分開(即分類問題)，或者從給定的圖片中，找到目標(biāo)物體的準(zhǔn)確位置(即檢測問題)。經(jīng)典的目標(biāo)識(shí)別問題假設(shè)訓(xùn)練場景和測試場景所服從概率分布相同。但是，在真實(shí)應(yīng)用場景中，這一條件有時(shí)并不滿足，于是，經(jīng)常會(huì)出現(xiàn)這樣的情況：當(dāng)訓(xùn)練好的分類器或者檢測器被應(yīng)用到一個(gè)新的場景時(shí)，其性能會(huì)迅速下降。對(duì)于這一問題，目前采用基于遷移學(xué)習(xí)的目標(biāo)識(shí)別方法加以解決。近年來，針對(duì)這類方法的研究

2、日益受到關(guān)注，雖取得了一些成果，但還存在諸多不足，離實(shí)際應(yīng)用也有較大差距。
　　本文主要圍繞“域自適應(yīng)目標(biāo)分類”和“域自適應(yīng)目標(biāo)檢測”兩個(gè)基本主題，展開相關(guān)研究，針對(duì)現(xiàn)有方法所存在問題，提出相應(yīng)解決方案。對(duì)于現(xiàn)有域自適應(yīng)目標(biāo)分類方法，其主要問題是：樣本本身所構(gòu)成的流形結(jié)構(gòu)沒有被充分利用。針對(duì)該問題，本文從特征表達(dá)魯棒性的角度出發(fā)，研究如何有效利用樣本流形結(jié)構(gòu)，實(shí)現(xiàn)魯棒的特征編碼。而對(duì)于現(xiàn)有域自適應(yīng)目標(biāo)檢測方法，其主要問題是：算法對(duì)

3、源樣本和帶標(biāo)簽?zāi)繕?biāo)域樣本存在依賴。針對(duì)該問題，圍繞著行人檢測這一具體應(yīng)用，本文從分類器回歸、自適應(yīng)分類器調(diào)整和自適應(yīng)特征調(diào)控這三個(gè)角度，分別進(jìn)行研究。本文的主要內(nèi)容如下：
　　1)提出一種基于協(xié)同特征的多類別線性分類算法。首先，按照類別依次排列的方式，將所有源樣本構(gòu)成字典；然后，結(jié)合該字典和目標(biāo)樣本的最近鄰幾何結(jié)構(gòu)信息，實(shí)現(xiàn)對(duì)樣本的編碼；最后，利用最近鄰分類器完成分類。為了進(jìn)一步討論目標(biāo)樣本鄰域信息對(duì)特征表達(dá)的影響，我們還提出了兩

4、種新的特征，它們分別融合了目標(biāo)樣本局部近鄰信息和目標(biāo)樣本自適應(yīng)局部近鄰信息。
　　2)提出了一種基于分類器回歸的遷移方法，應(yīng)用于行人檢測問題。首先，為回歸過程生成訓(xùn)練數(shù)據(jù)：a)利用ESVM方法為每個(gè)源樣本生成相應(yīng)的樣例分類器，并將其作為回歸標(biāo)簽數(shù)據(jù)；b)提出一個(gè)自編碼器神經(jīng)網(wǎng)絡(luò)方法，利用其中的編碼器對(duì)回歸標(biāo)簽數(shù)據(jù)進(jìn)行降維。然后，為了回歸低維回歸標(biāo)簽數(shù)據(jù)，提出了一種由多個(gè)子網(wǎng)絡(luò)構(gòu)成的兩階段回歸網(wǎng)絡(luò)。在檢測時(shí)，由回歸網(wǎng)絡(luò)得到的預(yù)測值需

5、利用自編碼器中的解碼器，將其還原到原始空間，并作為測試樣本對(duì)應(yīng)的樣例分類器來實(shí)現(xiàn)分類。
　　3)提出一種基于自適應(yīng)分類器調(diào)整的遷移方法，應(yīng)用于行人檢測問題。首先，為了實(shí)現(xiàn)分類器自適應(yīng)調(diào)整，提出了一種基于單層感知機(jī)的動(dòng)態(tài)分類器。該分類器位于卷積神經(jīng)網(wǎng)絡(luò)的最后一層，其模型參數(shù)以加權(quán)的方式進(jìn)行調(diào)整，而加權(quán)值由另一個(gè)控制網(wǎng)絡(luò)預(yù)測生成。通過這種方式，該混合網(wǎng)絡(luò)為每一個(gè)目標(biāo)域樣本生成專有的分類器。然后，為了取得更好的泛化效果，設(shè)計(jì)了新的目標(biāo)函

6、數(shù)。該函數(shù)包含兩個(gè)新的正則化項(xiàng)：一個(gè)是基于預(yù)測權(quán)值稀疏性的約束；另一個(gè)是對(duì)動(dòng)態(tài)分類器一階導(dǎo)數(shù)的約束，該約束保證動(dòng)態(tài)分類器僅對(duì)困難樣本敏感。最后，給出了該混合網(wǎng)絡(luò)的訓(xùn)練算法。在訓(xùn)練過程中，為了避免調(diào)控網(wǎng)絡(luò)梯度消失問題，提出了相應(yīng)的學(xué)習(xí)率控制技術(shù)。
　　4)提出一種基于自適應(yīng)特征調(diào)控的遷移方法，應(yīng)用于行人檢測問題。首先，為了讓卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)地為每個(gè)測試樣本生成合乎目標(biāo)場景概率分布的深度特征，提出了一種新的動(dòng)態(tài)池化層，該層通過加權(quán)的