更新在线MILBoost续.PPT

2018-5-15 1 Robust Object Tracking with Online Multiple Instance Learning PAMI 33(8) 2011 Boris Babenko Ming-Hsuan Yang Serge Belongie UCSD UC Mecerd UCSD 讲解人：项 翔 /user/xxiang JDL Online Boosting for MIL (AdaBoost) Tracking Detection Classifier Sample Selection Motion 2018-5-15 2 Conference vesion: Cited: 109 (Google Scholar) till 2011/07/07 Visual Tracking with Online Multiple Instance Learning. In CVPR, 2009. Boris Babenko Ph.D. candidate in CSE @UCSD, with Prof. Serge Belongie B.S. in CSE @USCD, 2006 Intern in Honda Research Institute, CA, US, 2007 ICML11, PAMI11, ICCV09, CVPR09, ECCV08(2), ICCV07 杨明玄(Ming-Hsuan Yang) Assistant Prof. @EECS, UC Mecerd 学习计算机科学和动力机械工程 @清华(新竹) CS and brain theory @USC artificial intelligence and operations research @UT Austin Ph.D. in CS @UIUC 助理教授 @台大资讯工程学系 senior research scientist @Honda Research Institute, CA, US CVPR(11)ECCV(10)ICIP(6)NIPS(5)ICPR(4)CVIU(3)PAMI(3) ICCV(1)IJCV(1)AAAI/IAAI(1) Serge Belongie Associate Prof. @CSE Dept., UCSD Drector of UCSD vision lab, former CVPR PC B.S. in EE @Caltech, 1995 M.S. in EECS @UC Berkeley, 1997 Ph.D.in EECS @UC Berkeley, 2000 (with J. Malik) CVPR(13)ECCV(8)ICCV(8)PAMI(4)IJCV(3) NIPS(3)ICIP(3)ICML(2)ICPR(1) 2018-5-15 3 文章摘要 在本文中，我们试图解决物体跟踪问题（在仅知道目标在首帧中的位置的前提下）。近来，一类“基于检测的跟踪(tracking-by-detection)”方法通过在线训练判别“目标/背景”的二元分类器，给出了令人鼓舞的实时跟踪结果。基本思路是：通过在当前位置附近bootstrap出正/负例样本，我们为下一帧训练出分类器，预测出下一位置，如此递进实现跟踪。然而，样本选取是带有歧义性的。相应地，在线监督学习存在如下问题：如果当前位置已经有些不精确，那么bootstrap出的样本就不精确，于是预测的下一位置更不精确了；长此下去，分类器的判别能力就会退化，预测位置较之目标的真实位置就会漂移开(Drift)。就此问题，已有引入半监督学习添加先验约束（例如：只标记首帧的样本；同时保留离线训练）的工作。而我们的思路是引入多实例学习(Multiple Instance Learning, MIL)：打包样本，让学习算法来挑选出最精确的样本；而非我们自己贸然指定。这种思路促成了更鲁棒的跟踪和更少的手动参数调整。 总而言之，我们提出了基于在线多实例学习的物体跟踪算法，在满足实时性的前提下仍很鲁棒。我们在大量的视频上开展了实验，在文中既呈现了直观的跟踪结果，也作了量化评价。 ** Drift（漂移）是指错误地成为物体模型的一部分的背景像素将模型拉离正确的位置，导致有更多被错分为背景像素。 2018-5-15 4 基本思路 标记第1帧 2018-5-15 5 基本思路 标记第1帧 在线分类器 [如在线Ada Boost (Adaptive Boost)] 2018-5-15 6 基本思路 选取一个正图像块和一些负图像块，训练或者更新模板。 分类器 2018-5-15 7 基本思路 获取下一帧 分类器 2018-5-15 8