基于高斯过程多核融合的目标检测性能曲面渐进采样方法

为解决深度学习模型在二维扰动空间性能曲面建模中样本需求指数增长的问题，哈尔滨工业大学团队提出基于多核高斯过程(GP)融合的渐进采样方法。该方法通过遗传算法(GA)优化核组合，结合强化学习生成高多样性初始解，并采用鲸鱼优化算法(WOA)动态调整核权重，实验表明可显著提升采样效率，为复杂扰动场景下的模型鲁棒性评估提供新范式。

　　

在人工智能技术快速发展的今天，目标检测模型已广泛应用于自动驾驶、医疗影像分析等领域。然而，这些模型在真实场景中常面临多重干扰因素的共同作用，如光照变化与噪声叠加等复合扰动。传统研究多聚焦于单一干扰维度下的性能评估，通过绘制"干扰强度-准确率"曲线进行分析，但这种方法难以反映模型在复杂环境中的真实表现。当干扰维度增加到两个时，性能评估需升级为三维曲面建模，而均匀采样会导致样本量呈指数级增长——例如构建亮度与对比度双干扰曲面时，5000个采样点才能获得精确结果，这在实际应用中几乎不可行。

针对这一挑战，哈尔滨工业大学的研究团队在《Neurocomputing》发表了一项创新研究。他们提出基于高斯过程(Gaussian Process, GP)多核融合的渐进采样策略，通过智能优化算法动态选择最优采样点，显著降低了构建性能曲面所需的样本量。这项工作的核心在于将曲面拟合问题转化为核函数组合优化问题：首先采用染色体编码表示不同核函数（如径向基函数RBF、周期核Periodic等）的组合方式；随后利用遗传算法(Genetic Algorithm, GA)进行种群进化，其中强化学习生成的初始解集确保了多样性；最终通过模拟鲸群捕食行为的鲸鱼优化算法(Whale Optimization Algorithm, WOA)精细调节各核函数权重，实现局部开发与全局探索的平衡。

关键技术方法包括：1) 基于VOC2007数据集构建亮度-对比度双扰动性能曲面；2) 采用染色体编码将12种基础核函数组合映射为可进化基因序列；3) 设计兼顾拟合优度与不确定性的适应度函数；4) 引入ε-贪婪策略的强化学习生成初始种群；5) 应用WOA算法优化核权重及超参数。

主要研究结果

总体框架设计
通过将核函数组合编码为包含显性基因（核类型）和隐性基因（超参数）的染色体，建立了可进化重构的GP模型架构。实验显示该方法在相同样本量下，曲面拟合误差比传统单核GP降低37.2%。

初始种群生成
设计的"探索-利用"奖励机制使初始种群覆盖了92.3%的潜在最优解空间，显著优于随机初始化方法（覆盖率仅65.8%）。

核组合优化
经GA进化后，最优核组合呈现"RBF×Periodic+Matérn"的混合结构，其决定系数R²达到0.941，验证了多核融合的优越性。

参数调优
WOA算法使核权重收敛速度提升2.1倍，最终获得的曲面预测均方根误差(RMSE)为0.048，较传统网格搜索降低28.6%。

采样效率验证
在目标检测任务中，仅需187个智能采样点即可达到传统方法5000个均匀采样点的曲面精度，采样效率提升26.7倍。

这项研究开创性地将智能优化算法与高斯过程相结合，解决了多维扰动下模型评估的"维度灾难"问题。其提出的渐进采样框架不仅适用于计算机视觉领域，还可拓展至语音识别、医疗AI等需要评估模型鲁棒性的场景。作者指出，未来工作将聚焦三方面：1) 将方法扩展至三维及以上扰动空间；2) 研究动态扰动组合下的实时评估；3) 开发面向边缘设备的轻量化版本。这些探索将进一步推动可信AI在复杂环境中的实际应用。