项目名称: 多媒体传感器网络中目标多分类问题研究

项目编号: No.61272517

项目类型: 面上项目

立项/批准年度: 2013

项目学科: 自动化技术、计算机技术

项目作者: 刘亮

作者单位: 北京邮电大学

项目金额: 81万元

中文摘要: 随着硬件能力的提升和小型化技术的发展,装配有音视频信息采集模块的多媒体传感器节点将被广泛应用于目标监控应用中,并展现出前所未有的优势。对于目标监控应用而言,对目标进行自动识别分类是监控应用的重要基础,也是监控智能化的体现。目前,对多媒体传感器网络中的目标分类研究仅仅停留在简单的二分类上面,鲜有针对实用性更高的多分类的研究成果。因此,本课题将研究多媒体传感器网络中的目标多分类问题。本课题从多媒体传感器节点感知模型与面向分类的覆盖分析、轻量级目标检测与特征提取方法、基于多种特征的多分类器构造与划分方法、子分类器集优化部署四个方面展开研究,通过一整套方法实现高效利用多媒体传感器节点提取的多种特征,准确地对目标进行多分类,并解决多媒体传感器节点的有限能力与多分类的高计算复杂度之间的矛盾。最后通过构建基于多媒体传感器网络的目标多分类原型系统,对课题取得的理论成果与关键技术方法进行验证。

中文关键词: 多媒体传感网;协同识别;覆盖分析;无线多模网关;物联网

英文摘要: With rapid improvements and miniaturization in hardware, sensor nodes equipped with acoustic and visual information collection modules promise an unprecedented opportunity for target surveillance applications. Automatic target classification is an important fundamental function of surveillance applications. However, existed works about target classification in multimedia sensor networks mainly focus on the bianry classification. There is few research on the multi-classification which is more applicable than the bianry classification. Towards this end, this project plans to investigate the multi-class classification problem for multimedia sensor networks.Our research will focus on the following aspects: sensing model and coverage analysis, lightweight target detection and feature extraction, multi-classifier generation and division, and optimal deployment of sub-classifier set. Our goal is to buld a series of methods for high-efficient ultilizing multiple feaures and accuract classifying the target in multimedia sensor networks. Furthermore, our methods also need to take the balance between the resource limitation of multimedia sensor nodes and the high-complexity of multi-classification task into account. Finally, based on a multimedia sensor network, this project will construct a prototype of multi-classificati

英文关键词: Multimedia sensor networks;cooperative recognition;coverage analysis;wireless multi-mode gateway;Internet of things

成为VIP会员查看完整内容
0

相关内容

对抗机器学习在网络入侵检测领域的应用
专知会员服务
33+阅读 · 2022年1月4日
专知会员服务
86+阅读 · 2021年8月8日
专知会员服务
122+阅读 · 2021年6月19日
专知会员服务
84+阅读 · 2020年12月11日
小目标检测技术研究综述
专知会员服务
120+阅读 · 2020年12月7日
专知会员服务
79+阅读 · 2020年10月2日
深度学习目标检测方法综述
专知会员服务
274+阅读 · 2020年8月1日
基于深度学习的多标签生成研究进展
专知会员服务
142+阅读 · 2020年4月25日
基于机器学习的自动化网络流量分析
CCF计算机安全专委会
4+阅读 · 2022年4月8日
【WWW2022】图上的聚类感知的监督对比学习
图与推荐
2+阅读 · 2022年3月29日
对抗机器学习在网络入侵检测领域的应用
ICCV 2019 | 精确的端到端的弱监督目标检测网络
AI科技评论
11+阅读 · 2019年12月9日
【边缘计算】边缘计算面临的问题
产业智能官
17+阅读 · 2019年5月31日
目标检测小tricks之样本不均衡处理
PaperWeekly
49+阅读 · 2019年4月5日
【深度学习基础】1.监督学习和最优化
微信AI
0+阅读 · 2017年6月7日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Table Enrichment System for Machine Learning
Arxiv
0+阅读 · 2022年4月18日
Max-Margin Contrastive Learning
Arxiv
18+阅读 · 2021年12月21日
Arxiv
31+阅读 · 2021年3月29日
Arxiv
14+阅读 · 2018年4月18日
小贴士
相关VIP内容
对抗机器学习在网络入侵检测领域的应用
专知会员服务
33+阅读 · 2022年1月4日
专知会员服务
86+阅读 · 2021年8月8日
专知会员服务
122+阅读 · 2021年6月19日
专知会员服务
84+阅读 · 2020年12月11日
小目标检测技术研究综述
专知会员服务
120+阅读 · 2020年12月7日
专知会员服务
79+阅读 · 2020年10月2日
深度学习目标检测方法综述
专知会员服务
274+阅读 · 2020年8月1日
基于深度学习的多标签生成研究进展
专知会员服务
142+阅读 · 2020年4月25日
相关资讯
基于机器学习的自动化网络流量分析
CCF计算机安全专委会
4+阅读 · 2022年4月8日
【WWW2022】图上的聚类感知的监督对比学习
图与推荐
2+阅读 · 2022年3月29日
对抗机器学习在网络入侵检测领域的应用
ICCV 2019 | 精确的端到端的弱监督目标检测网络
AI科技评论
11+阅读 · 2019年12月9日
【边缘计算】边缘计算面临的问题
产业智能官
17+阅读 · 2019年5月31日
目标检测小tricks之样本不均衡处理
PaperWeekly
49+阅读 · 2019年4月5日
【深度学习基础】1.监督学习和最优化
微信AI
0+阅读 · 2017年6月7日
相关基金
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员