面向動(dòng)態(tài)場(chǎng)景理解的時(shí)空深度學(xué)習(xí)算法.pdf

1、動(dòng)態(tài)場(chǎng)景理解是一個(gè)計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)的交叉子問題，一直以來都是一個(gè)研究的熱點(diǎn)。本文提出了基于規(guī)則針對(duì)動(dòng)態(tài)監(jiān)控場(chǎng)景中特定事件檢測(cè)的算法，并針對(duì)其存在的問題，提出了面向動(dòng)態(tài)監(jiān)控場(chǎng)景的時(shí)空深度學(xué)習(xí)算法，并將其在動(dòng)態(tài)交通場(chǎng)景上進(jìn)行了應(yīng)用，實(shí)現(xiàn)了對(duì)方向盤轉(zhuǎn)角的擬人化決策。
　　針對(duì)動(dòng)態(tài)場(chǎng)景理解中特定事件的檢測(cè)，本文提出了一種使用基于規(guī)則動(dòng)態(tài)場(chǎng)景理解算法。該算法通過分析特定事件的特點(diǎn)，為不同的事件制定針對(duì)性的檢測(cè)規(guī)則，使用光流法和背景建模算

2、法等經(jīng)典計(jì)算機(jī)視覺算法，并結(jié)合根據(jù)經(jīng)驗(yàn)設(shè)置的約束檢驗(yàn)，實(shí)現(xiàn)了對(duì)應(yīng)的事件檢測(cè)。這套算法在監(jiān)控場(chǎng)景的人群異常事件檢測(cè)中進(jìn)行應(yīng)用時(shí)，對(duì)人群聚集異常檢測(cè)的F-Measure達(dá)到了90.9％，而在人群逃散異常檢測(cè)任務(wù)中，顯示出了對(duì)光線變化的魯棒性，在其他非學(xué)習(xí)算法幾乎無法檢測(cè)的光線變化劇烈的場(chǎng)景中F-Measure仍達(dá)到了61.24%。
　　針對(duì)上述基于規(guī)則的方法規(guī)則制定困難且難以推廣的缺點(diǎn)，本文使用深度學(xué)習(xí)算法，提出了一種深度學(xué)習(xí)動(dòng)態(tài)場(chǎng)景

3、分析算法，該算法不特別針對(duì)某類特定事件而是對(duì)多種事件普遍適用。本文通過使用多路三維卷積網(wǎng)絡(luò)，提取出動(dòng)態(tài)場(chǎng)景數(shù)據(jù)中豐富的高層特征，并將這些高層特征融合，用以對(duì)動(dòng)態(tài)場(chǎng)景數(shù)據(jù)的內(nèi)容進(jìn)行分類，之后在該網(wǎng)絡(luò)結(jié)合之前也有應(yīng)用的經(jīng)驗(yàn)約束，可有效地進(jìn)行動(dòng)態(tài)監(jiān)控場(chǎng)景中的事件檢測(cè)。在訓(xùn)練網(wǎng)絡(luò)時(shí)，本文使用了預(yù)訓(xùn)練及微調(diào)的方式一定程度上解決了訓(xùn)練樣本不足的問題。在微調(diào)及檢測(cè)時(shí)，使用了時(shí)空分塊策略提升了檢測(cè)效果。在監(jiān)控場(chǎng)景的人群異常檢測(cè)中這個(gè)適用于多種事件深度學(xué)

4、習(xí)動(dòng)態(tài)場(chǎng)景分析算法取得了比針對(duì)特定事件專門制定規(guī)則的方法略優(yōu)的效果。
　　針對(duì)面向的動(dòng)態(tài)交通場(chǎng)景中的決策的任務(wù)，本文將上述多路時(shí)空三維卷積網(wǎng)絡(luò)進(jìn)行了改進(jìn)和應(yīng)用。本文將卷積網(wǎng)絡(luò)中的一些效果提升方法應(yīng)用到網(wǎng)絡(luò)中，構(gòu)建了時(shí)空決策網(wǎng)絡(luò)。通過從經(jīng)驗(yàn)駕駛員的駕駛數(shù)據(jù)中學(xué)習(xí)有助于網(wǎng)絡(luò)理解動(dòng)態(tài)交通場(chǎng)景的特征，使得改進(jìn)后的網(wǎng)絡(luò)成功地對(duì)汽車行駛過程中方向盤轉(zhuǎn)角進(jìn)行了決策。最終得到的時(shí)空決策網(wǎng)絡(luò)相對(duì)于現(xiàn)在通用的二維卷積神經(jīng)網(wǎng)絡(luò)的平均絕對(duì)值誤差減小了0.