tld目標(biāo)跟蹤算法-在線瀏覽
2025-03-22 05:42本頁(yè)面
【正文】 誤的負(fù)樣本，Nexperts僅識(shí)別錯(cuò)誤的正樣本 。 PN學(xué)習(xí)結(jié)構(gòu)圖 PN學(xué)習(xí)包含四個(gè)部分： 訓(xùn)練集 正、負(fù)樣本的 函數(shù) 練分類器的方法 三、 PN學(xué)習(xí) ? PN學(xué)習(xí)的公式化（略） ? PN學(xué)習(xí) 的穩(wěn)定性證明 （略） ? PN學(xué)習(xí) 的仿真驗(yàn)證 （略） 詳細(xì)內(nèi)容請(qǐng)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(shè)計(jì)： b） 中待檢測(cè)目標(biāo)在一個(gè)視頻幀中可能同時(shí)出現(xiàn)在好幾個(gè)區(qū)域，并且待檢測(cè)目標(biāo)在相鄰視頻幀之間的運(yùn)動(dòng) 沒(méi)有連續(xù)性 。這種性質(zhì)，我們稱之為 “結(jié)構(gòu)性” 。 PN專家 的 關(guān)鍵 就是找到這種 結(jié)構(gòu)性的數(shù)據(jù) ，從而來(lái)判別檢測(cè)模塊 所產(chǎn)生的錯(cuò)誤標(biāo)簽 。 Pexperts記錄目標(biāo)在上一幀中的位置，并根據(jù)幀與幀之間的跟蹤算法來(lái)預(yù)測(cè)目標(biāo)在當(dāng)前幀中的位置。 Nexperts尋找視頻序列中的 空域 上 的結(jié)構(gòu)性特征，并且假設(shè)目標(biāo)在一個(gè)視頻幀中只可能出現(xiàn)在一個(gè)位置。同 置信度最高 區(qū)域 之間沒(méi)有 重疊的圖相片被認(rèn)定 為 負(fù)樣本 。 PN experts 的產(chǎn)生樣本的例子： ? 目標(biāo)是下面 深色 的車 ? 黑色框 是 檢測(cè)器 檢測(cè)到的正 樣本 ? 黃色框 是 跟蹤器 產(chǎn)生 的正 樣本 ? 紅星標(biāo)記 的是每一幀最后 的跟蹤結(jié)果 ? 跟蹤器 代表產(chǎn)生正樣本的 P專家 ? 在 第 t幀 ， 檢測(cè)器沒(méi)有發(fā)現(xiàn)深色車 ， P專家 認(rèn)為 深色 車是 正樣本， N專家 經(jīng)過(guò)比較，認(rèn)為深色車的樣本更可信，所以把淺色車輸出為負(fù)樣本 。 ? 在 第 t+2幀 時(shí)， P專家 產(chǎn)生了 錯(cuò)誤的結(jié)果 ，但經(jīng)過(guò) N專家 的比較，又把這個(gè)結(jié)果排除了，算法仍然可以追蹤到正確的車輛 。該狀態(tài)屬性可以是一 個(gè) 方框 或一個(gè)指示目標(biāo) 是否可見(jiàn)的 標(biāo)記 。兩個(gè) 方框的 空間相似度 由 重疊度 來(lái)量化，定義為兩個(gè)方框 交集與并集之比 。 兩個(gè)圖相框 pi,pj的相似度： ? ? ? ?? ?, , 1i j i jS p p N C C p p?? NCC是一個(gè) 歸一化相關(guān)性系數(shù) 。 Tracker ① 在 第 t幀 的 目標(biāo)框 中 均勻撒點(diǎn) 并采樣 作為 特征 點(diǎn) ； ② 使用 金字塔 LK光流 法 跟蹤特征 點(diǎn) 在 第 t+1幀 的 對(duì)應(yīng)位置。 ④ 根據(jù) 這些點(diǎn)的 坐標(biāo) 變化 變化計(jì)算 第 t+1幀 包圍 框的位置 和 尺度 （平移和尺度的變化 取 中 值 ） ? 中值 流 跟蹤器 中值流跟蹤器原理 Tracker ? 跟蹤失敗檢測(cè) 跟蹤模塊的 跟蹤失敗 檢測(cè)算法： 中 值流跟蹤算法的 前提假設(shè)
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1