- 1、本文档共8页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
基于在线半监督boosting的协同训练目标跟踪算法
基于在线半监督boosting的协同训练目标跟踪算法苏松志李绍滋*吕艳萍陈思曹冬林(厦门大学信息科学与技术学院 厦门 361005)(福建省仿脑智能系统重点实验室(厦门大学)厦门 361005)摘要:基于自训练的判别式目标跟踪算法使用分类器的预测结果更新分类器自身,容易累积分类错误,从而导致漂移问题。为了克服自训练跟踪算法的不足,该文提出一种基于在线半监督boosting的协同训练目标跟踪算法(简称Co-SemiBoost),其采用一种新的在线协同训练框架,利用未标记样本协同训练两个特征视图中的分类器,同时结合先验模型和在线分类器迭代预测未标记样本的类标记和权重。该算法能够有效提高分类器的判别能力,鲁棒地处理遮挡、光照变化等问题,从而较好地适应目标外观的变化。在若干个视频序列的实验结果表明,该算法具有良好的跟踪性能。关键词:目标跟踪;在线学习;半监督学习;协同训练中图分类号:TP391DOI:10.3724/SP.J.1146.2013.00826文献标识码:A文章编号:1009-5896(2014)04-0888-08ANovelCo-trainingObjectTrackingAlgorithmBasedonOnlineSemi-supervisedBoostingSuSong-zhiLiShao-ziLu??Yan-pingChenSiCaoDong-lin(SchoolofInformationScienceandTechnology,XiamenUniversity,Xiamen361005,China)(FujianKeyLaboratoryoftheBrain-likeIntelligentSystems(XiamenUniversity),Xiamen361005,China)Abstract:Theself-trainingbaseddiscriminativetracking methods usetheclassificationresultstoupdatetheclassifieritself.However,thesemethodseasilysufferfromthedriftingissuebecausetheclassificationerrorsareaccumulatedduringtracking.Toovercomethedisadvantages of self-trainingbasedtracking methods,a novelco-trainingtrackingalgorithm,termedCo-SemiBoost,isproposedbasedononlinesemi-supervisedboosting.Theproposedalgorithmemploysa newonlineco-trainingframework,whereunlabeledsamplesare usedtocollaborativelytraintheclassifiersrespectivelybuiltontwofeatureviews.Moreover,thepseudo-labelsandweightsofunlabeledsamplesareiterativelypredictedbycombiningthedecisionsofapriormodelandanonlineclassifier.Theproposedalgorithmcaneffectivelyimprovethediscriminativeabilityof theclassifier,andis robusttoocclusions,illuminationchanges,etc.Thusthealgorithm canbetteradapt toobjectappearancechanges.Experimentalresultsonseveralchallengingvideosequencesshowthattheproposedalgorithmachievespromisingtrackingperformance.Keywords:Objecttracking;Onlinelearning;Semi-supervisedlearning;Co-training引言目标跟踪是人工智能和计算机视觉的重要研究课题[1]。然而,由于受到场景中各种复杂因素的影响,如光照、旋转、移动和遮挡等,目标跟踪已成为一项极具挑战的任务[2]。目前研究者已经提出诸多目标跟踪算法[3-12],大致分为生成式算法[3-5]和判别式1算法[6-12]。判别式目标跟踪算法[6-12]将跟踪视为目标和背景的2类分类问题,受到学者的
您可能关注的文档
- 基于51单片机的红外遥控开关的设计定搞.doc
- 基于8051单片机的流水灯设计.doc
- 基于8051的电子秒表的设计.doc
- 基于8051的电机转速测量系统.doc
- 基于51单片机的直流电机转速测控系统设计.doc
- 基于8052音乐播放器的仿真 毕业 答辩演示.ppt
- 基于89s52单片机的无线测温仪.doc
- 基于51单片机的车用数字仪表的研究.doc
- 基于AJAX技术的教学资源平台后台系统设计论文.doc
- 基于ARM 的多用户电度表的设计.doc
- 《GB/T 32151.42-2024温室气体排放核算与报告要求 第42部分:铜冶炼企业》.pdf
- GB/T 32151.42-2024温室气体排放核算与报告要求 第42部分:铜冶炼企业.pdf
- GB/T 38048.6-2024表面清洁器具 第6部分:家用和类似用途湿式硬地面清洁器具 性能测试方法.pdf
- 中国国家标准 GB/T 38048.6-2024表面清洁器具 第6部分:家用和类似用途湿式硬地面清洁器具 性能测试方法.pdf
- 《GB/T 38048.6-2024表面清洁器具 第6部分:家用和类似用途湿式硬地面清洁器具 性能测试方法》.pdf
- 《GB/T 18238.2-2024网络安全技术 杂凑函数 第2部分:采用分组密码的杂凑函数》.pdf
- GB/T 18238.2-2024网络安全技术 杂凑函数 第2部分:采用分组密码的杂凑函数.pdf
- 《GB/T 17215.686-2024电测量数据交换 DLMS/COSEM组件 第86部分:社区网络高速PLCISO/IEC 12139-1配置》.pdf
- GB/T 13542.4-2024电气绝缘用薄膜 第4部分:聚酯薄膜.pdf
- 《GB/T 13542.4-2024电气绝缘用薄膜 第4部分:聚酯薄膜》.pdf
文档评论(0)