精华内容
下载资源
问答
  • 判别式跟踪方法
    2017-09-04 15:19:00

    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。

    更多相关内容
  • 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
  • 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
  • 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
  • 机器学习可以分为两大类:生成式模型(Generative Model)、判别式模型(Discriminative Model)。 现在有一堆球,颜色信息已知为绿色和黄色两种,有且仅有这两种颜色,这里,球的颜色为y(目标变量),坐标轴上位置...

    机器学习可以分为两大类:生成式模型(Generative Model)、判别式模型(Discriminative Model)。

     现在有一堆球,颜色信息已知为绿色和黄色两种,有且仅有这两种颜色,这里,球的颜色为y(目标变量),坐标轴上位置为特征X。我们想要知道,如果在坐标轴的某一位置x新放入一个球,这个球会是什么颜色的?

     1.生成式模型的思想:

     生成式模型使用的是联合概率P(X,Y),若已知x(球的坐标位置信息),通过计算出P(X,Y)我们就可以知道球的颜色。

     P(X,Y) = P(Y)*P(X|Y),其中P(Y)可以根据已知球(样本)的颜色分布算出来。

     根据已知样本数据,生成式模型可以估计出Y的分布,见下图橙色曲线。

     然后,模型可以算出P(X|Y=green)的值,即当球的颜色是绿色时,球在坐标轴上的各个位置的概率。同理,也可以算出P(X|Y=yellow)。

     现在,新给一个球,把它放在坐标轴某个位置上,让我们预测,这个球是绿色的概率大?还是黄色的概率大?

     通过比较联合概率P(X,Y=green)和P(X,Y=yellow)谁更大,我们便能知道新给的球为什么颜色啦~这里,很明显,球对应的分布曲线为y = green的那条,P(X,Y=green)取值是大于0的,而P(X,Y=yellow)取值为0。

     总结:生成式模型主要通过学习样本,形成多个Y分布,然后计算联合概率P(X,Y),根据P(X,Y)的值预测新的样本属于哪个类。对于二分类问题,如果P(X,Y1)>P(X,Y2),则新样本X判定为Y1。

    2.判别式模型的思想:

     

     

    条件概率分布P(Y|X)可以理解为:在已知某样本的特征为X的条件下,计算该样本类别为类别Y1、Y2、Y3的概率,并选择概率最大的类别为该样本的预测类别。如,已知一个花的花瓣长度(X1)、花瓣宽度(X2)、花瓣颜色(X3)、气味(X4)等特征值,求这多花为鸢尾花、菊花、玫瑰的概率,可以表示为:

    ①P(Y = ‘鸢尾花’| X1 = 2,X2 = 0.5,X3 = ‘红色’,X4 = ‘无味’),

    ②P(Y = ‘菊花’| X1 = 2,X2 = 0.5,X3 = ‘红色’,X4 = ‘无味’)

    ③P(Y = ‘玫瑰’| X1 = 2,X2 = 0.5,X3 = ‘红色’,X4 = ‘无味’)

    计算出来,③的概率值最大,因此将该样本划分为玫瑰。

    常见的判别式模型:支持向量机、决策树。

    3.生成式模型优缺点

    (1)生成式模型的优点:过拟合的几率比较小,尤其是当你采集的数据的分布与真实世界整体数据集的分布是相近的适合,基本上不用担心过拟合问题。

     

     红色圆圈和蓝色圆圈就是基于样本数据生成的分布函数,如下:

     下面,新给出一些白色小球,需要我们预测这些白色小球应该属于红色还是蓝色?

     生成式模型,根据前面得到的y分布,会将白色小球颜色预测为红色,如下:

     判别式模型根据生成的分类边界(绿色那条线)对小球的颜色进行预测:

     判别式模型认为,分界线以上的都为蓝色,分界线以下的都为红色,因此,判别式模型分类的准确性高度依赖于分类边界函数的准确性。

    (2)生成式模型的缺点:

    因为生成式模型需要生成Y的分布函数,而这个分布函数可能会受到一些异常点的影响变得不那么准确,如下图所示,有两个黄色小球乱入了绿军阵营,有两个绿色小球混进了黄球阵营。

     

    此时,我们得到的Y分布函数如下,可以明显看的分布函数与之前发生了较大变化,绿球的分布函数出现了明显的右倾,而黄球的分布函数出现了明显的左倾:

     

     此时,如下图所示又有一个白色小球,已知它在坐标轴上的位置,需要我们判段它是黄色还是绿色。根据联合概率分布的值来看,白色小球对应的两条分布曲线中,绿色线更高,因此我们就会认为小球属于绿色的概率更大。

     

    生成式模型还有两个缺点:

    1)为了使生成的分布函数与真实世界中的分布函数尽可能接近,需要大量的数据来生成模型。

    2)生成式模型比判别式模型计算量更大。

    4.判别式模型的优缺点

    (1)优点:在小数据集上表现效果很好,但是要注意过拟合问题。另外,计算量比生成式模型小。

     

     

    展开全文
  • 目标跟踪 | 目标跟踪算法总结

    千次阅读 多人点赞 2019-12-21 20:51:15
    判别式跟踪方法将目标跟踪问题转化为寻求跟踪目标与背景间决策边界的二分类问题,通过分类最大化地将目标区域与非目标区域分别开来。因此,目标跟踪的准确性和稳定性很大程度上以来于在特征空间上目标与背景的可分性...
  • 目标跟踪入门

    万次阅读 多人点赞 2019-01-02 22:17:28
    1.视觉目标跟踪基本流程与框架 视觉目标(单目标)跟踪任务就是在给定某视频序列初始帧的目标大小与位置的情况下,预测后续帧中该目标的大小与位置。 输入初始化目标框,在下一帧中产生众多候选框(Motion ...
  • 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、...
  • 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。 ...
  • 在NLP和机器学习中经常会遇到这两种显著不同的模型,在学习阶段(训练阶段)和评估阶段(测试阶段)都有不同的表现 总结一下它们之间的区别,欢迎补充: 1. 二者最本质的区别是建模对象不同 ... 判别式模型...
  • 运动目标跟踪综述

    千次阅读 2022-01-07 09:53:56
    运动目标跟踪综述 运动目标跟踪技术是近几年来新兴的一个研究方向,它通过分析...过去几十年,目标跟踪方法经历了从卡尔曼滤波等经典跟踪方法,到基于相关滤波方法,再到深度学习相关方法的演变历程。根据建模方式的不
  • 生成式模型(Generative Model)与判别式模型(Discrimitive Model)是机器学习中基础概念,在NLP和机器学习中经常会遇到这两种显著不同的模型,在学习阶段(训练阶段)和评估阶段(测试阶段)都有不同的表现,它们的...
  • 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...
  • 目标跟踪算法总结(转载总结)

    千次阅读 2021-11-20 15:33:21
    目标跟踪是通过分析视频图片序列,对检测出的各个候选目标区域实施匹配,定位出这些目标在图像中的坐标位置,然后得到一系列相同目标的连续变化的过程。 白话: 从茫茫人海中,识别出你的脸 2、为什么需要目标追踪...
  • 目标跟踪算法综述

    万次阅读 2021-11-30 13:49:15
    目标跟踪算法从构建模型的角度可以分为生成式(generative)模型和判别式(discrimination)模型两类;从跟踪目标数量可分为单目标跟踪和多目标跟踪。目标跟踪融合了图像处理、机器学习、最优化等多个领域的理论和算法,...
  • 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...
  • 遗忘因子法matlab代码IDCT 增量式区分颜色对象...Baleghi,“增量判别式颜色对象跟踪”人工智能和信号处理,计算机和信息科学通信,第427卷,Springer Verlag,2014年,第71-81页。 DOI:10.1007 / 978-3-319-10849-
  • 成式与判别式, 对基于统计的表观建模方法进行了归纳总结. 然后, 对典型算法的优缺点进行了梳理与分析, 并给出了其在标 准数据集上的性能对比. 最后, 总结了该领域待解决的难点问题, 对其未来的发展趋势进行了展望
  • 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
  • 视觉目标的跟踪是计算机视觉中的一个重要研究方向,有着广泛的应用。现在深度学习如火如荼,各种各样的跟踪算法层出不穷,但很多人对于目标跟踪的基础概念却还是一知半解。 1、主要研究内容 我们可以把目标跟踪...
  • 在本文中,我们提出了一种具有主动特征选择和漂移校正的判别式多任务目标跟踪方法。 所开发的方法将粒子过滤器框架中的对象跟踪公式化为多任务判别跟踪。 与分别处理粒子的生成方法相反,该方法联合学习了所有粒子的...
  • 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...
  • 基于主动轮廓的跟踪方法被广泛应用于移动摄像机下运动物体轮廓的跟踪. 针对传统方法容易受噪音、部分遮挡、背景干扰等因素影响的缺点, 本文提出了一个分层的基于水平集(level sets)的跟踪框架. 该框架将...
  • 该文针对真实场景下视频跟踪过程中可能出现的目标形变、运动和遮挡等问题,该文分别构建了基于超像素局部信息的判别式模型和基于颜色与梯度全局信息的产生式模型,通过两者的结合提升了目标表观特征描述的可区分性和...
  • 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...
  • 判别式:理论上是有限样本的判断,求取的是判别函数,关注的是模型边缘,直接解决问题,对建模兴趣不大,实际上,深度学习方法基本是判别式,包括KCF。 转回深度学习如何运行目标跟踪:其实关键还是样本不均衡,在线...
  • kcf相关滤波算法,是一种基于判别式跟踪酸法,将目标和背景区分开来

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 4,569
精华内容 1,827
热门标签
关键字:

判别式跟踪方法