智能學習的論文翻譯-受結構性限制的自舉二元分類器-資料下載頁
2025-06-05 09:28本頁面
【正文】 入，導致分類器過于具有辨識力。 f 度量值結果圖說明一起使用 PN 濾波器工作效果最佳?？梢宰⒁獾郊词故堑驼`差的限制器單獨使用也會引起分類錯誤，會導致分類器準確度和查全率較低。如果一起使用 PN限制器則會使準確度和查全率都提高，因為這種情況下誤差可以相互抵消。 對于目標探測的學習在 10個視頻序列中得以測試，結果展示在圖 8中。這些序列 包含了在具有挑戰(zhàn)性的情況下多種目標，這些情況包括攝像機突然的變動，運動模糊，外貌改變和局部或者整體遮擋。所有的序列都按第四章中所述的來設置了同樣的參數(shù)，進行了處理。每個實驗的輸出包括了初始探測器、最終的探測器以及由 PN追蹤器給出的軌道。 對 PN追蹤器的評價 序列 16在文獻 [22]中被用來對比現(xiàn)有的追蹤系統(tǒng) [15,7,2,22]，本實驗增加了[3]和本文的 PN追蹤器。性能是體現(xiàn)在系統(tǒng)無法從錯誤中恢復過來的幀數(shù)。表 1是性能結果。 6個視頻中 5 個 PN追蹤器可 以一直追蹤目標到 序列結束。在第 3個視頻序列中 27幀后 PN追蹤器失敗了，但是文獻 [3]可以追蹤到 101幀，文獻[22]可以追蹤到 140 幀。這段視頻中出現(xiàn)了突然的攝像機抖動， LucasKanade 追蹤器立刻就失效了。因此 P限制器就無法確定足夠的訓練范例去提高初始探測器性能，它也就無法使追蹤器從失效中恢復過來。 詳細的性能分析 對圖 8的 10個視頻序列的 PN學習的詳細性能分析如下。 初始探測器，最終的探測器和 PN 追蹤器的性能由準確度，查全率和 f 度量值來反映。接下來，PN限制器由 和 對時間取平均來 度量。 表 2 第三列是初始探測器的評價結果。除了序列 9 和序列 10，這個探測器針對大多數(shù)序列都具有很高準確度。序列 9很長（ 9928幀），其中有個很明顯的背景混亂，其中的物體也與目標（汽車）很相似。初始探測器的查全率對于大多數(shù)序列都很低，只有序列 5除外，查全率達到 73%。這表明目標的外形并不會顯著改變。 最終探測器的評價結果列于表二的第四列中。探測器的查全率顯著提高，而準確率小幅下降。 而對于序列 9來說甚至準確率都從 36%提高到了 90%。這表明了初始分類器中錯誤標記為積極的標記被 N 限制器找出并糾正了。對于整個集合來說，序列 710 是最具挑戰(zhàn)性的，而性能提高也最為顯著。要不是最終探測器的 f度量值在 25%83%的范圍內。初始探測器此處就會失敗。 這論證了 PN學習的優(yōu)點。第五列是對于 PN 追蹤器的評價。其準確度明顯低于最終探測器，因為在評價時考慮了整個追蹤軌道，其中包含了漂移。在序列 1和 4中，追蹤器表現(xiàn)的明顯優(yōu)于最終探測器，這表明了追蹤器正確追蹤了目標，但是顯示器并沒有確認其軌跡。序列 2,3,7,8 中可以觀察到有趣的現(xiàn)象，追蹤器的評分比最終探測器要低。 這論證了即使是低可靠性的追蹤器也可以通過 PN學習訓練出準確的探測器。 文獻 [12]使用了序列 7 和 8，展現(xiàn)了以下結果。序列 7 中追蹤器性能為：，序列 8中： 。這些結果比得上本文的結果（表 2,78行，第 5列）。 表 2的最后三列展示的是 PN限制器的性能。 除了序列 10的 P準確度只有31%，其它限制器的準確度都高于 60%。限制器的查全率在 2%78%的范圍內。最后一列是相應的矩陣 M 的特征值?？梢宰⒁獾剿蕴卣髦刀夹∮?1。這表明使用的限制器適用于不同腳本，都可以提升初始探測器的性能。特征值越大， PN學習提升性能越小。例如第 10 序列的一個 特征值是 ，這就反映在 相應 PN限制器的不良性能。 這個序列中目標是一只熊貓，在整個序列里它一直在改變姿勢。在這個腳本里 LucasKanade 和 NCC 可靠性很低，但是 PN 學習仍利用了追蹤器提供的信息，提高了探測器性能。 總結 本文提出的 PN學習，是一種處理標記和未標記范例的新方法。這個學習過程的潛在假設是未標記數(shù)據是結構化的。積極和消極限制器通過限制未標記數(shù)據的標記來利用數(shù)據的結構。這些限制器反饋了分類器的性能，分類器在自舉改變過程中迭代提升性能。本文將 PN學習在何種情況下可以保證分類器性能提高進行了形式化描述。這些情況在綜合數(shù)據和真實數(shù)據中得到驗證。 PN學習過程被應用于從一個簡單范例和一個未標記視頻序列中進行目標探測器在線學習這一問題中。本文提出了一個新的限制器，這個限制器可以利用視頻的時空性能。并且本文證明了這些限制器對于多種目標和情況都可以顯著提高探測器性能。由于這個學習是應用于在線的（每秒傳輸 20幀），本文將這個系統(tǒng)與相關的追蹤算法和現(xiàn)有的實驗結果進行了對比。 被形式化的 PN 學習可以指導對于滿足學習穩(wěn)定性的結構化限制器的設計。我們相信，在今后的研 究過程中，對于更復雜的結構化限制器的設計時很有前景的方向。
畢業(yè)設計相關推薦
鄂ICP備17016276號-1