tld目標跟蹤算法-文庫吧
2025-02-08 05:42 本頁面
【正文】 根據(jù) 跟蹤模塊 的結(jié)果對 檢測模塊 的錯誤 進行評估，并根據(jù)評估結(jié)果生成 訓練樣本，對 檢測模塊 的 目標模型 及 相關參數(shù) 進行更新。 ? 檢測模塊 和 跟蹤模塊 互補干涉的并行進行處理 。 一、 TLD算法簡介 二、 TLD框架結(jié)構(gòu) 三、 PN 學習 四、 TLD算法實現(xiàn) 主要內(nèi)容 三、 PN學習 PN 學習： TLD的 學習 模塊， 是一種 半監(jiān)督的機器學習 算法，目的是 在線更新檢測器 ，提高 檢測器的性能 。它 針對檢測器對樣本分類時產(chǎn)生的兩種錯誤提供了兩種“ 專家 ”進行糾正： PN學習 的 主要 思想： 檢測器 的錯誤能夠被兩種類型的專家（ Pexperts和 Nexperts）標識出。 Pexperts僅識別錯誤的負樣本，Nexperts僅識別錯誤的正樣本 。 ? P專家（ Pexpert） 檢出 漏檢 （ false negative，正 樣本被誤 分為負樣本）的正 樣本，并將其添加到正樣本集中； ? N專家（ Nexpert） 改正 誤檢 （ false positive，負 樣本被誤 分為正樣本）的正 樣本，并將其添加 到正樣本集 中。 PN學習結(jié)構(gòu)圖 PN學習包含四個部分： 訓練集 正、負樣本的 函數(shù) 練分類器的方法 三、 PN學習 ? PN學習的公式化（略） ? PN學習 的穩(wěn)定性證明 （略） ? PN學習 的仿真驗證 （略） 詳細內(nèi)容請參考： ? Z. Kalal, K. Mikolajczyk, and J. Matas, “TrackingLearningDetection,” Pattern Analysis and Machine Intelligence 2023. ? Z. Kalal, J. Matas, and K. Mikolajczyk, “PN Learning: Bootstrapping Binary Classifiers by Structural Constraints,” Conference on Computer Vision and Pattern Recognition, 2023. PN experts 的設計： b） 中待檢測目標在一個視頻幀中可能同時出現(xiàn)在好幾個區(qū)域，并且待檢測目標在相鄰視頻幀之間的運動 沒有連續(xù)性 。 c）中每個視頻幀中，目標只可能出現(xiàn)在一個區(qū)域，并且，相鄰視頻幀之間檢測到的目標區(qū)域是 連續(xù)的 ，構(gòu)成了一個目標的運動軌跡。這種性質(zhì)，我們稱之為 “結(jié)構(gòu)性” 。 a） 中展示了覆蓋有掃描窗格的三幀圖片，每個方框定義一個圖像片，圖 b)和 c)中的 紅點 表示正樣本標簽。 PN專家 的 關鍵 就是找到這種 結(jié)構(gòu)性的數(shù)據(jù) ，從而來判別檢測模塊 所產(chǎn)生的錯誤標簽 。 PN experts 的設計： Pexperts尋找視頻序列中的 時域上 的結(jié)構(gòu)性特征，并且假設目標是沿著軌跡線移動 的。 Pexperts記錄目標在上一幀中的位置，并根據(jù)幀與幀之間的跟蹤算法來預測目標在當前幀中的位置。如果檢測模塊 將目標 在 當前幀中的位置 標記為 負標簽 ，那么 Pexperts就產(chǎn)生一個 正 樣本 。 Nexperts尋找視頻序列中的 空
教學課件相關推薦
鄂ICP備17016276號-1