精华内容
下载资源
问答
  • 上面提出的基于标签传播模型的判别式跟踪方法,该方法与大多数判别式跟踪方法一样,在学习分类器时利用采样和加标签两个独立的策略选择训练样本。这种常用的训练样本选择策略存在以下两个问题。第一,根据已有的跟踪...

    11.69 基于主动样本选择的判别式跟踪 方法

    上面提出的基于标签传播模型的判别式跟踪方法,该方法与大多数判别式跟踪方法一样,在学习分类器时利用采样和加标签两个独立的策略选择训练样本。这种常用的训练样本选择策略存在以下两个问题。第一,根据已有的跟踪结果为样本估计标签容易引起误差累积。跟踪结果存在轻微的不准确都能导致样本标签的错误估计,进而干扰分类器的学习。第二,样本的采集是无目的性的。采集到的样本并不一定含有提高分类器性能的有利信息,导致分类器性能具有不确定性。现有的大部分判别式跟踪方法主要关注于如何从标签不准确的训练样本中训练得到性能稳定的分类器,即主要关注于第一个问题。本节主要关注第二个问题。
    image

    如图 2 所示,受主动学习模型的启发,提出一种新的基于主动样本选择的判别式跟踪方法,目的是为训练样本选择与分类器学习建立统一的目标函数。基于拉普拉斯正则化最小二乘(LaplacianRegularized Least Squares,LapRLS)半监督学习框架,在样本采样和标签分配之间引入主动样本选择的策略来自动选择最有信息量的样本,并利用选择的样本来学习分类器,使其充分的利用无标签样本的信息并保留样本空间的局部几何结构。为提高跟踪算法的自适应性,利用先验学到的分类器为选择出的部分样本分配标签,其他样本作为无标签数据。这等同于在半监督学习中添加了很强的监督约束,可以有效地减轻跟踪漂移问题。

    本节提出的跟踪方法相比已有的方法具有如下优势。第一,训练样本的选择与分类器的学习不再是独立的两个部分,选择的训练样本是最有助于分类器学习的样本,能显著提高分类器性能。第二,由主动学习选出的样本是最具代表性的样本,很大程度上减少了训练样本的数量,保证了跟踪方法的效率。第三,使用主动学习选择训练样本,一定程度上减轻了误差累积。根据主动学习理论,用于分类器学习的训练样本是最小化分类器预测方差的样本,从而排除了易混淆的训练样本。

    展开全文
  • 11.68 基于锚点标签传播的判别式跟踪 方法 在跟踪中,物体的表观通常是连续不断的变化且不可能是独立同分布的。一个鲁棒的判别式跟踪算法通常需要大量的有标签样本来拟合目标表观潜在的数据分布。然而,精确的有标签...

    11.68 基于锚点标签传播的判别式跟踪 方法

    在跟踪中,物体的表观通常是连续不断的变化且不可能是独立同分布的。一个鲁棒的判别式跟踪算法通常需要大量的有标签样本来拟合目标表观潜在的数据分布。然而,精确的有标签样本通常只来自于第一帧,因此数量有限。为了获取更多的有标签样本,大多数算法都是利用当前帧的跟踪结果加较小的扰动 ( 通常是一两个像素 ) 提取正样本,在远离跟踪结果的区域中提取负样本。一旦跟踪结果不精确就容易造成标签分配不准确,误差累积会使分类器的性能下降从而跟丢目标。在无需假设任何数据分布的情况下,能否利用少量的标签样本训练得到比较鲁棒的判别式表观模型?

    本节提出了一种基于锚点标签传播 (landmark-based label propagation, LLP) 的判别式跟踪方法。图 1 为基于标签传播的判别式跟踪框架示意图。在该方法中,所有样本都看作是图节点,边表示样本之间的相似性(或者亲近程度)。在每一帧中,由粒子滤波预测得到的候选区域都看作是无标签的样本。它与样本池中其他样本共同组成新的图结构用来训练分类器。每个样本的标签可以表示成锚点标签的加权和。采用局部锚点近似的方法,本节设计了一种有效且高效的样本间邻接矩阵求解策略,并且优化融合拉普拉斯正则项的标签预测目标函数来计算锚点的标签值。这样,根据每个样本与锚点的映射关系及锚点的标签值,LLP 可以计算出每个样本的软标签值。在贝叶斯推理框架下,软标签预测值最高的候选目标将被视为最终的跟踪结果。LLP可以有效地将少量的初始标签传播给其他大量的无标签数据,非常符合目标跟踪的需求。image
    LLP 的核心思想就是每个样本的标签值可以表示成其近邻锚点标签值的线性组合。为此,本节采用局部锚点近似的策略构建所有样本间的邻接矩阵。并且拉普拉斯正则项也被整合在标签预测的目标函数中,以便保留样本的局部几何结构。保留局部的几何结构信息能使本节所提出的跟踪算法具有更好的判别力从而适应表观变化。

    展开全文
  • 使用张量池进行判别式跟踪
  • 一种基于超像素的局部判别式跟踪算法
  • 行业分类-物理装置-基于判别式尺度空间跟踪算法的相关滤波自适应方法.zip
  • Adaptive Decontamination of the Training Set: A Unified ...训练集自适应去污:判别视觉跟踪的统一公式 本文是CVPR2016 Martin Danelljan关于改进跟踪问题训练数据的尝试,后期他的论文几乎都有引证这一篇。 ...

    Adaptive Decontamination of the Training Set: A Unified Formulation for Discriminative Visual Tracking(SRDCFdecon)

    训练集自适应去污:判别视觉跟踪的统一公式

    本文是CVPR2016 Martin Danelljan关于改进跟踪问题训练数据的尝试,后期他的论文几乎都有引证这一篇。

    原文摘要

    近年来,基于检测的跟踪方法显示出了良好的性能。在这些方法中,跟踪模型很大程度上依赖于训练集的质量。由于标记训练数据的数量有限,需要由跟踪器本身提取和标记额外的样本。 由于遮挡、偏差和其他干扰,这通常会导致包含损坏的训练样本。现有的检测跟踪方法要么忽略这个问题,要么使用单独的组件来管理训练集。我们提出了一种新的通用方法,以减轻在跟踪检测框架中的训练样本损坏的问题。我们的方法通过评估样本的质量来动态地管理训练集。与现有的方法相反,我们提出了一个统一的公式,通过在目标外观模型和样本质量权值上最小化单一损失。

    提出了一种跟踪模型与训练样本权值联合学习的新公式。我们的公式是通用的,可以集成到常见的监督学习方法中。

    目前的训练集管理

    • 直接丢弃较差样本
    • 采用专门的组件进行管理
    • 基于距离定义的样本优劣
    • 为样本管理专门设计的滤波器

    背景

    监督学习的一般形式

    考虑监督学习的训练样本一般形式: { ( x j , y j ) } j = 1 n \{ (x_j,y_j) \}^{n}_{j=1} {(xj,yj)}j=1n,其中 x j ∈ X x_j\in\mathcal{ X} xjX代表特征向量, y j ∈ Y y_j\in\mathcal{ Y} yjY代表标签向量,对于跟踪问题,Loss函数经常定义为
    J θ = ∑ k = 1 n L ( θ , x j , y j ) + λ R ( θ ) . ( 1 ) J_\theta = \sum_{k=1}^n L(\theta,x_j,y_j) + \lambda R(\theta).\qquad\qquad(1) Jθ=k=1nL(θ,xj,yj)+λR(θ).(1)
    其中, L : Ω × X × Y → R L:\Omega\times\mathcal{ X}\times\mathcal{ Y}\to\R L:Ω×X×YR指出了 L ( θ , x j , y j ) L(\theta,x_j,y_j) L(θ,xj,yj)对于训练样本 ( x j , y j ) (x_j,y_j) (xj,yj)与参数 θ \theta θ有关的训练损失,常量 λ ≥ 0 \lambda\ge0 λ0用于控制正则化函数 R : Ω → R R:\Omega\to\R R:ΩR.
    对于可以使用上式的SVM或者DCF,可以令 y j = 0 y_j=0 yj=0作为背景、 y j = 1 y_j=1 yj=1作为前景。可用连续值 y j ∈ [ 0 , 1 ] y_j\in[0,1] yj[0,1]标记,或者 Y \mathcal{Y} Y来标记边界盒的变化.我们重写(1)式以突出跟踪问题中时间采样的效果,令 ( x j k , y j k ) (x_{jk},y_{jk}) (xjk,yjk)表示帧号 k k k的第 j j j个训练样本,假设在 k → { 1 , . . . , t } k\to\{1,...,t\} k{1,...,t}帧中包含 n k n_k nk个样本, t t t代表当前帧,通常的, k k k帧中提取的用于估计目标位置的正样本和负样本 ( x j k , y j k ) (x_{jk},y_{jk}) (xjk,yjk),我们更新Loss的形式
    J θ = ∑ k = 1 t α k ∑ j = 1 n k L ( θ , x j k , y j k ) + λ R ( θ ) . ( 2 ) J_\theta = \sum_{k=1}^t \alpha_k\sum_{j=1}^{n_k} L(\theta,x_{jk},y_{jk}) + \lambda R(\theta).\qquad\qquad(2) Jθ=k=1tαkj=1nkL(θ,xjk,yjk)+λR(θ).(2)
    其中,常量 α k ≥ 0 \alpha_k\ge0 αk0表示 k k k帧中样本的影响, α k \alpha_k αk增大会使得从 k k k帧中提取的 { ( x j , y j ) } j = 1 n k \{ (x_j,y_j) \}^{n_k}_{j=1} {(xj,yj)}j=1nk具有更大权重。通常,DCF跟踪器的更新会使得样本权重逐渐下降,而SVM在处理时事实上也抛弃了它认为不合适的样本。

    考虑跟踪问题的在线学习/在线推断特性,对于Tracker的在线参数更新,通常会有以下的问题:

    1. 由于目标旋转或变形等原因,不准确的跟踪预测会导致样本不对齐。这可能导致模型漂移或跟踪失败。
    2. 目标的部分或全部遮挡导致正样本被遮挡对象破坏。这是跟踪失败的一个常见原因,因为外观模型由于背景杂乱而受到污染。
    3. 扰动,如运动模糊,可以导致目标的扭曲视图。这些因素导致在学习过程中包含损坏的训练样本,从而降低了模型的判别能力。

    目前已有方法

    1. 基于PSR(峰值旁瓣比,为最大置信分与周围得分(峰值指定邻域外)的标准差之比)的样本去除。
    2. 使用基于熵的最小化方法来确定最佳模型。该系统由当前跟踪模型和早期帧的快照组成。如果出现不一致,则选择具有最小熵准则作为新的跟踪模型。
    3. 通过基于时间和空间约束生成正样本和负样本来解决漂移问题。
    4. 提出一种策略,通过重新检查以前被拒绝的样本来更新培训集。
    5. 使用基于关键点的长期记忆组件,检测背景杂乱并刷新短期记忆。

    本工作的三个假设

    1. 连续的权重值 对于运动模糊,部分遮挡的等情况的样本并未完全损坏,仍具有外观特性,二值化的处理往往会将其抛弃。
    2. 理想情况下,在更新特定培训样本(包括最近的框架)的重要性时,应考虑所有可用信息。
    3. 动态的样本优先,在目标快速变形和旋转的情况下,跟踪器应强调最近的样本的鲁棒性。动态先验知识是自底向上信息的补充,有望提高性能。

    模型构建

    我们考虑联合估计模型参数样本权重 α k \alpha_k αk和外观模型 θ \theta θ,引入最小化联合损失 J ( θ , α ) J(\theta,\alpha) J(θ,α)
    J ( θ , α ) = ∑ k = 1 t α k ∑ j = 1 n k L ( θ , x j k , y j k ) + 1 μ ∑ k = 1 t α k 2 ρ k + λ R ( θ ) . ( 3 a ) J(\theta,\alpha)=\sum_{k=1}^t \alpha_k\sum_{j=1}^{n_k} L(\theta,x_{jk},y_{jk})+\frac{1}{\mu}\sum_{k=1}^t \frac{\alpha_k^2}{\rho_k}+ \lambda R(\theta).\qquad\qquad(3a) J(θ,α)=k=1tαkj=1nkL(θ,xjk,yjk)+μ1k=1tρkαk2+λR(θ).(3a)
    满足:
    α k ≥ 0 , k = 1 , . . . , t . ∑ k = 1 t α k = 1. \alpha_k\ge0,k=1,...,t. \\ \sum_{k=1}^t\alpha_k=1. αk0,k=1,...,t.k=1tαk=1.

    μ → ∞ \mu\to\infty μ相当于(3a)式中去除第二项,也就是 α \alpha α项没有进行正则化
    μ → 0 \mu\to0 μ0,对于确定的 θ \theta θ α k → ρ k \alpha_k\to\rho_k αkρk,理解为后续帧几乎没有权重

    迭代求解

    展开全文
  • 在视频跟踪任务中,以上一帧跟踪到的目标位置为基础,在当前帧内相应位置周围生成若干候选区域样本进行分类,并从中获取待跟踪目标在当前帧中的位置和更新分类器,这是基于判别式方法的基本跟踪流程.对于每帧产生的大量...
  • 分享一下自己的一篇综述,关于判别式相关滤波器的目标跟踪综述,同时顺便改一下错误。主要是自己整理的相关滤波器在OTB-100下的AUC分数与精度图,原论文有些地方值得商榷,由于某些因素请大家参考博客里面的图片,...

    分享一下自己的一篇综述,关于判别式相关滤波器的目标跟踪综述(发表在小型微型计算系统上),同时顺便改一下错误。主要是自己整理的相关滤波器在OTB-100下的AUC分数与精度图,原论文有些地方值得商榷,由于某些因素请大家参考博客里面的图片,技术路线总结图。详细的分析及技术路线讲解稍后说明,并聊一下学习历程。

    成功率图

     精度图

     

    DCF技术路线总结图

    OTB-100中各数据集结果,感觉有用的,大家可以找我要。

    展开全文
  • 生成式和判别式

    2019-02-14 17:53:12
    判别式模型(Discriminative Model):直接对条件概率p(y|x)进行建模, 常见判别模型有:线性回归、决策树、支持向量机SVM、k近邻、LDA,CRF,神经网络等; 生成式模型(Generative Model):对联合分布概率p(x,y)进行...
  • 生成式模型与判别式模型

    千次阅读 2017-03-17 23:20:01
    生成式模型与判别式模型的区别 生成式模型(Generative Model)与判别式模型(Discriminative Model)是分类器常遇到的问题 对于判别式模型来说求得P(Y|X),对未见示例X,根据P(Y|X)可以求得标记Y,即可以直接...
  • 判别式模型 该模型主要对p(y|x)建模,通过x来预测y。在建模的过程中不需要关注联合概率分布。只关心如何优化p(y|x)使得数据可分。通常,判别式模型在分类任务中的表现要好于生成式模型。但判别模型建模过程中通常为...
  • 判别式相关滤波器的单目标跟踪技术线路图总结
  • https://www.cnblogs.com/always-fight/p/9221783.html
  • 判别式分类器是现代跟踪方法中的一个核心组成部分,其在线学习一个二值分类器以在...相关滤波器已成功应用到目标检测和识别中,其由于计算效率高,近年来作为一种判别式跟踪方法被应用到视觉跟踪领域,取得了很好的效果
  • 一种基于度量学习的在线多人跟踪方法,于畅泳,杨敏,提出了一种基于度量学习的在线多人跟踪方法,该方法在传统的多人跟踪方法的框架下,将度量学习应用到判别式表观学习当中,重新建
  • 近年来,属于判别式类型的相关滤波器跟踪方法由于具有非常高的处理速度备受关注。首先介绍了目标跟踪和相关滤波器的基本知识,之后对相关滤波器方法在朴素阶段、循环结构和核技巧、多特征通道、与深度特征的结合、...
  • 快速目标跟踪方法总结

    千次阅读 2019-10-14 10:44:03
    三、快速目标跟踪方法 模板匹配 TLD 光流法(Lucas-Kannade) 四、快速目标跟踪方式的应用效果 一、简介 目标跟踪是计算机视觉研究领域的热点之一,有着非常广泛的应用,如:相机的跟踪对焦、无人机的自动目标...
  • 目标跟踪方法总结

    万次阅读 多人点赞 2017-12-08 14:26:37
    作者:YaqiLYU ... 来源:知乎 ...相信很多来这里的人和我第一次到这里一样,都是想找一种比较好的目标跟踪算法,或者想对目标跟踪这个领域有比较深入的了解,虽然这个问题是经典目标跟踪算法,但事实上,可
  • 作者将一个图像块(image patch)看做是一个保留了原始图像结构的二阶张量,然后设计了两个图来描绘目标和背景所在的张量样本中固有的局部几何结构,从而构建一个判别式嵌入空间。此外,作者提出了两种思路用来寻找...
  • 跟踪目标尺寸和跟踪目标相对背景运动的方位角都在实时变化,常规目标跟踪算法会引起尺度和方向定位偏差,导致跟踪漂移,甚至跟踪失败问题,提出鲁棒的目标尺度和方向自适应的跟踪方法。在Kalman滤波框架下,通过将...
  • 基于判别相关滤波器(DCF)的方法已经成为一种主要的在线目标跟踪方法。然而,这些方法中使用的特征都是基于手工制作的特征(如HoGs),或是独立于其他任务(如图像分类)训练的卷积特征。在这项工作中,我们提出了...
  • 目标跟踪的深度学习方法 与 opencv实现kcf方法necther6人评论7357人阅读2018-04-09 14:53:55目录... 图像目标跟踪方法 111.概述1.1.背景行为识别的前提是需要对人体目标进行识别和跟踪,现阶段我们已经通过使用开源...
  • 目标跟踪综述

    千次阅读 2020-02-09 18:22:20
    文章目录目标跟踪入门基础研究算法现有目标跟踪方法简介基于生成式模型的方法基于判别式模型的方法基于深度学习的方法适用于目标跟踪的深度学习模型深度判别式模型深度生成式模型其他深度学习模型基于深度学习的目标...
  • 本发明涉及多目标跟踪领域,特别涉及一种基于深度学习和条件随机场的多目标跟踪方法。背景技术:尽管多目标跟踪技术有了较大发展,但是仍然由于存在跟踪准确率低、速度慢等问题而难以应用到实际。多目标跟踪,为了将...
  • 下面不如和我们一起来学习一下由全球顶尖计算机视觉专家王博士为我们分享的视觉跟踪算法的相关内容吧。近年来,视觉跟踪作为计算机视觉中的基础问题,得到了广泛的研究。跟踪算法也得到了广泛的应用,例如无人驾驶...
  • 与大多数其他视觉问题相比,跟踪需要在推理阶段在线学习鲁棒的特定于目标的外观模型。为了能够进行端到端的培训,目标模型的在线学习因此需要自身嵌入到跟踪体系结构中。由于这些困难,流行的孪生网络仅预测了目标...
  • 大多数现代的跟踪器的核心元素是一个判别式的分类器,这个分类器的任务是去区分目标区域和周围的环境。本文基于基础的相关滤波的方法,并对其进行改进的目的,通过在相关滤波的计算中引入不同的尺度信息,较好的手动...
  • 增量分级判别回归树(IHDR)|翻译与笔记 为什么翻译这篇发表于2007年的老论文呢?主要有以下四方面原因: (1)这篇论文较清晰地给出增量学习的概念。 (2)论文有一定的理论与应用方面的价值。 (3)论文的...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 4,066
精华内容 1,626
关键字:

判别式跟踪方法