● 摘要
本文针对交通场景下目标分类的几个难点，通过迁移学习的思想，即对图像底层特征本身之外信息的利用，对传统的监督学习框架进行扩充，在保持目前特征及物体类型建模复杂度不变的前提下，对其在目标分类问题中的应用进行了深入研究，克服了现有解决方案在交通监控应用场景中的局限。本文主要研究工作包括以下三个方面：
（1）基于词袋模型中层信息迁移的交通目标分类 ：本文提出了一种改进的词袋模型视觉字典构建方法，将语义层次的词语相关性反馈至字典构筑过程中。针对目标分类问题中表象复杂这一问题，该方法加强了现有算法在复杂前景情况下的分类性能，而且保持了在特征提取和分类过程中的时间效率，适用于交通场景应用之中。
（2）通过样本和特征层次的迁移解决跨场景目标分类问题 ：本文提出了一种基于样本层次迁移学习的交通场景目标分类方法，实现了不同场景下样本表象相似性的迁移，适用于交通场景应用中目标场景训练样本稀缺的情况。在训练集中目标场景样本完全缺失的情况，本文提出了一种基于特征层次迁移学习的交通场景目标分类方法，实现了跨视角目标分类问题中特征层次相似性的迁移。
（3）基于属性迁移学习的细粒度物体分类策略 ：本文提出了一种基于属性迁移学习的目标分类方法，针对交通场景中的精细分类问题，可以利用训练集中专家先验的标注知识辅助目标分类过程，提高了目前算法的分类效率。
全文通过在交通监控场景的目标分类问题中引入迁移学习思想，利用底层图像特征之外的信息，扩展算法对目标类型建模的描述，在保持特征提取、分类器应用方法复杂度变化不大的前提下，一定程度上弥补了目前目标分类方法在实际应用中效率和效果上的缺陷，提高了目标分类流程在交通场景下各典型任务中的性能。