项目简介

针对弱监督目标定位问题，法国INRIA实验室采用多示例学习方法、英国QueenMary大学采用语义空间嵌入、中科院自动化所采用多示例学习与聚类进行研究。西安交通大学采用协同分割方法对视频序列中的运动目标进行匹配与无监督学习。哈尔滨工业大学计算机学院研究了Random Walk的弱监督视觉建模方法、山东大学、解放军信息工程大学、西北工业大学，南京大学、中科院自动化所、中国石油大学、扬州大学、海军工程大学、上海大学, 武汉理工等分别提出了减少监督信息的特定思路。中科院自动化所提出了能处理大规模数据的MILinear方法，通过信赖域的方法替代传统的梯度方法求解MIL。

相对于竞争对手的优势：提出了基于Soft Proposal的弱监督目标定位方法及渐进优化弱监督与自学习方法。依托微波成像国防重点实验室、空间大数据处理中科院重点实验室，研发了高清晰度遥感影像关键目标解译软件，为弱监督视觉目标检测提供了验证平台。

目前主流的高精度检测技术是基于全监督检测技术。但是需要大量的数据标注信息。如果数据标注信息匮乏，主流检测技术的检测精力将会大幅下降。

本项目技术针对X光机图像序列规模大、包含缺陷数量却比较小稀少的特性，通过弱监督的方式进行目标建模，以显著减少人工工作量，同时达到较高的目标建模精度。

通过生成式模型将高维度的特征投影到较低维度的语义表示空间，获得的语义表示比底层特征更紧致，解决底层特征与目标类别之间的语义鸿沟问题，提高了特征表示能力和判别能力。针对X光机图片目标的多视角多形态问题，研究一种新的基于生成模型的深度特征表示，其实质是利用生成模型来刻画各个视角之间的相关性，并且获得一种更具有描述力的特征表示。

采用增量式数据标注方法，实现半自动化采集、整理数据，实现增量式数据分类与目标标注。通过弱监督、自主式深度学习目标感知核心算法，进行迭代学习得到智能感知模型。

应用领域

所研发的技术能在无损伤状态下获取零件断层的二维灰度图像，分辨被检测断面的内部结构组成、装配情况、材质状况、有无缺陷、缺陷的性质和大小等，可广泛应用于复杂锻件及铸件的检验、固体火箭发动机的缺陷检测、精密设备的尺寸测量、结构和密度的分布检查以及逆向工程技术等方面。所研发的技术不仅能够提高工业CT的检测效率、扩大工业CT的应用领域，同时还能克服人工评定中由于经验差异而引起的误判或漏判。