室内深度场景的概念学习

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    61672430
  • 项目类别：
    面上项目
  • 资助金额：
    62.0万
  • 负责人：
    刘贞报
  • 依托单位：
    西北工业大学
  • 学科分类：
    F0209.计算机图形学与虚拟现实
  • 结题年份：
    2020
  • 批准年份：
    2016
  • 项目状态：
    已结题
  • 起止时间：
    2017-01-01 至2020-12-31

项目摘要

Indoor scene understanding is a hot topic in computer graphics, machine vision, and image processing. Inspired by cognitive science research recently published in Science cover, aiming at indoor depth scenes, this project proposes a fully novel framework of concept learning. Its advantages include two points. It is trained by only a few samples and even one sample. It can realize learning from low-level features to high-level concepts. Combined with our previous works published in IEEE TNNLS, IEEE TCyb, IEEE TMM, CGF, and PR, this project focuses on four major techniques: 1) extraction techniques of multiple types of features for depth scenes; 2) candidate generation of scene parsing parameters for hierarchical structure; 3) parameter learning of a few scene samples; 4) posterior inference based on hierarchical Bayesian program learning. We will build a novel indoor scene dataset with a few samples and make it publicly available. The merits and demerits of the framework of concept learning will be analyzed and compared to large samples based deep learning methods. The theoretical results can be applied into 3D scene modeling, indoor robots, video surveillance, and multimedia retrieval.
室内场景理解是计算机图形学、机器视觉、图像处理的一项热点研究问题。受Science封面最新认知科学成果启发，面向室内深度场景，本项目提出一种全新的概念学习框架，主要优势在于：仅需少量样本甚至单一样本进行训练；实现从底层特征到高层概念的学习。结合申请人前期工作（研究成果发表在IEEE TNNLS, IEEE TCyb, IEEE TMM, CGF, PR等），重点研究四项内容：1）深度场景的多种特征描述方法；2）面向阶层式结构的场景解析参数候选集生成策略；3）少量场景样本的参数学习；4）基于阶层贝叶斯程序学习的后验推测方法。本项目拟建立公开的室内场景小样本数据集，测试概念学习框架的优势与不足，与基于大量样本的深度学习等主流方法比较。本项目成果可应用在三维场景建模、室内机器人、视频监控、多媒体检索等方面。

结项摘要

室内场景理解是计算机图形学、机器视觉、图像处理的一项热点研究问题。受Science封面最新认知科学成果启发，面向室内深度场景，本项目提出了一种全新的概念学习框架，主要优势在于：仅需少量样本甚至单一样本进行训练；实现从底层特征到高层概念的学习。本项目重点研究了四项内容：1）深度场景的多种特征描述方法；2）面向阶层式结构的场景解析参数候选集生成策略；3）少量场景样本的参数学习；4）基于阶层贝叶斯程序学习的后验推测方法。本项目建立公开的室内场景小样本数据集，测试了概念学习框架的优势与不足，与基于大量样本的深度学习等主流方法进行了对比，同时将场景理解从室内应用推至室外大场景。本研究围绕场景中目标感知、定位、特征深度学习这条主线，针对三维模型特征分析、场景理解，提出一种基于形态自适应网络的场景影像目标识别跟踪算法，首先使用基于数据驱动的方法对数据集进行扩增，添加了遮挡样本和多旋转角度样本，提高样本多样性；提出的形态自适应网络模型通过旋转不变约束改进深度置信网络，提取强表征能力的深层特征，使得模型能够自动适应目标形态变化，利用深度特征变换算法获取待检测目标的预定位区域，采用基于Q学习算法的搜索机制对目标进行自适应精准定位，使用深度森林分类器提取跟踪目标的类别信息，得到高精度的目标跟踪结果。在多个数据集上进行了对比实验，实验结果表明，该算法能够达到较高的识别跟踪精度，可以适应目标旋转，目标遮挡等形态变化情况，具有较好的准确性和鲁棒性。本项目取得成果包括发表代表性SCI期刊论文10篇，其中领域国际顶级期刊IEEE Transactions on Image Processing 5篇和IEEE Transactions on Cybernetics 1篇，授权和申请发明专利6项，积极开展国内会议交流15人次，国际会议交流4人次，邀请国外本领域专家来华协助研究进展3人次。培养博士生4名，硕士生3名。本项目成果可应用在三维场景建模、室内机器人、视频监控、无人机航拍视频理解等方面。

项目成果

期刊论文数量（10）
专著数量（0）
科研奖励数量（0）
会议论文数量（0）
专利数量（6）
Object Detection in Aerial Images Using Feature Fusion Deep Networks
使用特征融合深度网络进行航空图像中的目标检测
  • DOI：
    10.1109/access.2019.2903422
  • 发表时间：
    2019-03
  • 期刊：
    IEEE Access
  • 影响因子：
    3.9
  • 作者：
    H. Long;Y. Chung;Z. Liu;S. Bu
  • 通讯作者：
    S. Bu
3D shape recognition and retrieval based on multi-modality deep learning
基于多模态深度学习的3D形状识别与检索
  • DOI：
    10.1016/j.neucom.2016.06.088
  • 发表时间：
    2017-10-11
  • 期刊：
    NEUROCOMPUTING
  • 影响因子：
    6
  • 作者：
    Bu, Shuhui;Wang, Lei;Li, Ke
  • 通讯作者：
    Li, Ke
Unsupervised 3D Local Feature Learning by Circle Convolutional Restricted Boltzmann Machine
圆形卷积受限玻尔兹曼机的无监督 3D 局部特征学习
  • DOI：
    10.1109/tip.2016.2605920
  • 发表时间：
    2016-11
  • 期刊：
    IEEE Transactions on Image Processing
  • 影响因子：
    10.6
  • 作者：
    Z. Han;Z. Liu;J. Han;C. Vong;S. Bu;X. Li
  • 通讯作者：
    X. Li
Unsupervised Learning of 3-D Local Features From Raw Voxels Based on a Novel Permutation Voxelization Strategy
基于新颖的排列体素化策略的原始体素 3D 局部特征的无监督学习
  • DOI：
    10.1109/tcyb.2017.2778764
  • 发表时间：
    2019-02-01
  • 期刊：
    IEEE TRANSACTIONS ON CYBERNETICS
  • 影响因子：
    11.8
  • 作者：
    Han, Zhizhong;Liu, Zhenbao;Chen, C. L. Philip
  • 通讯作者：
    Chen, C. L. Philip
Deep Spatiality: Unsupervised Learning of Spatially-Enhanced Global and Local 3D Features by Deep Neural Network With Coupled Softmax
深度空间性：通过耦合 Softmax 的深度神经网络对空间增强的全局和局部 3D 特征进行无监督学习
  • DOI：
    10.1109/tip.2018.2816821
  • 发表时间：
    2018-06-01
  • 期刊：
    IEEE TRANSACTIONS ON IMAGE PROCESSING
  • 影响因子：
    10.6
  • 作者：
    Han, Zhizhong;Liu, Zhenbao;Chen, C. L. Philip
  • 通讯作者：
    Chen, C. L. Philip

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--"}}
  • 发表时间：
    {{ item.publish_year || "--" }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--"}}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ monograph.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ patent.updateTime }}

其他文献

基于超像素空间金字塔模型的场景识别研究
  • DOI：
    --
  • 发表时间：
    2014
  • 期刊：
    计算机工程与应用
  • 影响因子：
    --
  • 作者：
    程少光;何毕;布树辉;刘贞报
  • 通讯作者：
    刘贞报

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--" }}
  • 发表时间：
    {{ item.publish_year || "--"}}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--" }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}
empty
内容获取失败，请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题，我已根据课题信息分析并撰写以下内容，帮您拓宽课题思路：

AI项目思路

AI技术路线图

刘贞报的其他基金

基于混合深度网络的飞机故障诊断与预测技术
  • 批准号：
    52072309
  • 批准年份：
    2020
  • 资助金额：
    58 万元
  • 项目类别：
    面上项目
基于局部显著特征分布的三维形状匹配与检索
  • 批准号：
    61003137
  • 批准年份：
    2010
  • 资助金额：
    19.0 万元
  • 项目类别：
    青年科学基金项目

相似国自然基金

{{ item.name }}
  • 批准号：
    {{ item.ratify_no }}
  • 批准年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号：
    {{ item.ratify_no }}
  • 财政年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者：{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目：调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要：

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题，其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子，其表达水平对抗病毒防御至关重要。然而，TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用，影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法，探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用，为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义，并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路：

科学问题：TRIM2如何调控A型流感病毒诱导的IFN-β表达？
前期研究：已有研究表明TRIM2参与抗病毒反应，但其具体机制尚不明确。
研究创新点：本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线：包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术：TRIM2与病毒RNA的相互作用分析，IFN-β启动子活性检测。
实验模型：使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
关闭
close
客服二维码