基于多示例学习和随机蕨丛检测的在线目标跟踪

基于检测的目标跟踪方法目前在计算机视觉领域受到了广泛的关注,这类方法通过训练判别分类器将目标对象从背景中分离出来;分类器的训练是根据当前的跟踪状态从当前帧中提取正负样本来进行,但训练样本的不准确将导致分类器退化产生漂移。该文提出一种能够有效克服目标漂移的跟踪算法,采用检测器和跟踪器相结合的框架,利用中值流算法作为跟踪器,提高跟踪点的可靠性;级联若干个随机蕨弱分类器构成强分类器作为检测器;用在线多示例学习方法更新检测器,提高检测精度;最后将检测器、跟踪器的结果相融合得到最终的目标位置。实验结果表明,与其它方法相比,该方法对目标漂移有更强的鲁棒性。

基于改进在线多示例学习算法的机器人目标跟踪

提出基于改进的在线多示例学习算法(Improved multiple instance learning,IMIL)的移动机器人目标跟踪方法.该方法利用射频识别系统(Radio frequency identification,RFID)粗定位IMIL算法的搜索区域,然后应用IMIL算法实现目标跟踪.该方法保证了机器人跟踪系统的连续性,解决了目标突然转弯时的跟踪问题.IMIL算法采用从低维空间提取的压缩特征描述包中示例,以降低算法耗时.通过最大化弱分类器与极大似然概率的内积,选择判别能力强的弱分类器,避免了弱分类器选择过程中多次计算包概率和示例概率,进一步提高算法的实时处理能力.计算包概率时该算法平等对待各示例,保证概率高的示例对包概率的贡献度,克服跟踪漂移问题.跟踪过程中,结合当前跟踪结果与目标模板间的相似性分数在线实时调整分类器,提高了算法的自适应能力.最后将本文方法在视频和移动机器人上进行实验.实验结果表明,该方法在目标运动突变及外观改变时具有较强的鲁棒性和准确性,并满足系统的实时性要求.

基于在线多示例学习的协同训练目标跟踪算法

为解决把多示例学习应用到目标跟踪算法而导致的误差积累问题,结合协同训练方法,提出一种新的目标跟踪算法。该算法利用协同训练克服分类器自训练带来的误差积累,同时在线多示例学习提高了跟踪效果的鲁棒性。将跟踪结果中心与理想目标位置中心的误差作为评价标准,在标准视频序列上将跟踪结果与半监督学习跟踪算法和传统多示例学习跟踪算法进行对比。实验结果表明,该方法在背景光照变化、目标旋转等复杂条件下,可很好地跟踪目标,具有较好的鲁棒性。

特征加权融合的在线多示例学习跟踪算法

为了能更加准确鲁棒地跟踪目标,提出了特征加权融合的在线多示例学习跟踪算法(WFMIL)。WFMIL在多示例学习框架下分别训练两种特征(Hog和Haar)分类器。在跟踪过程中,通过线性运算融合成一个强分类器,同时在学习过程中对正包中的示例引入权重。实验结果统计表明WFMIL能很好地解决目标漂移问题,并且对目标遮挡、运动突变、光照变化以及运动模糊等具有较好的鲁棒性。

在线多示例学习目标跟踪方法研究

多示例学习是不同于传统机器学习的一种新的学习模式,近年来被应用于图像检索、文本分类等领域。提出一种基于在线学习的多示例学习算法,将其应用于目标跟踪。该算法通过构造一个在线学习的多示例分类器作为检测器,无需制作大量的样本进行离线的训练,只需在第一帧手动选中目标,便可以自动生成正样本和负样本,并在随后的帧序列中,根据跟踪到的目标自动更新分类器,在跟踪器丢失目标或者目标从场景中消失后,它能够重新检测到目标并更新跟踪器,从而有效地支持了跟踪器跟踪目标。实验证明该方法在背景复杂,光线变化,摄像机抖动等复杂条件下,可以很好地跟踪到目标,且对遮挡具有较好的鲁棒性。

基于在线多示例学习的目标跟踪

分析了多示例学习法,研究了在线多示例学习目标跟踪技术的应用,对现有的一些方法进行了比较,并指出了今后多示例学习目标跟踪的研究方向.

基于相关相似度的在线多示例学习目标跟踪算法

目标跟踪是计算机视觉领域的研究热点之一,并得到了广泛的应用。目前许多学者将机器学习方法引入目标跟踪,例如,基于多示例学习的目标跟踪算法(即MIL)已经被提出。然而,传统的MIL跟踪算法在正负样本的选择上存在一定的不稳定性,容易在时间的推移下出现目标漂移的现象。为了克服上述问题,提出了一种简单、有效且高效的基于相关相似度的在线多示例学习目标跟踪算法。该算法通过定义相关相似度来对正包中的样本进行进一步的选择与加权,从而提高目标跟踪的性能。与新近算法的实验对比表明,本文提出的算法在目标跟踪的准确性、精度、鲁棒性等方面均有一定的提高。

一种基于笔画宽度特征和半监督多示例学习的文本区域鉴别方法

考虑到文本区域鉴别在视频文本检测中的重要作用,提出了一种基于笔画宽度特征的文本区域鉴别方法,该方法通过分析候选文本区域中笔画宽度的分布,有效地区分文本和非文本区域。此外针对笔画宽度信息提取过程中存在未知极性参数的问题,提出了一种半监督多示例学习(SS-MIL)算法,该算法可以充分利用训练样本中不完整的监督信息,提高文本区域分类器的性能。基于上述方法,实现了一个完整的视频文本检测系统,并在具有代表性的数据集上对其进行了充分的实验,实验结果表明,基于笔画宽度特征和SS-MIL的文本区域鉴别方法能够有效地辨别文本区域,从而使该系统检测视频文本的综合性能达到较高水平。

基于目标性权值度量的多示例学习目标跟踪

针对多示例学习(MIL)跟踪算法在包概率计算过程中对示例样本不加以区分导致分类器性能下降,及采用最大化似然函数选择相应的弱分类构造强分类增加了算法复杂度的问题,提出了一种基于目标性权值学习的多示例目标跟踪算法,该算法利用目标性测量每个示例样本对包概率的重要性,根据其目标性测量结果对每个正示例样本赋予相应的权值,从而判别性地计算包概率,提高跟踪精度。同时在弱分类器选择过程中,采用最大化弱分类器与似然函数概率内积的方法从弱分类器池中选择弱分器构造强分类器,减少算法的计算复杂度。通过对不同复杂场景下视频序列的跟踪,实验结果表明,本文所提出的目标性权值学习的多示例目标跟踪算法优于其对比算法,表现出较好的跟踪精度和鲁棒性能。

结合低维特征和在线加权MIL的目标跟踪算法

为了提高视频序列中目标跟踪的准确性,提出了结合低维Haar-like特征和在线加权多示例学习(OWMIL)的跟踪算法。将训练集中的图像进行剪裁,构建正负样本集。通过稀疏编码提取低维度的Haar-like特征来表示目标。通过这些正负样本的局部稀疏特征在线学习生成弱分类器集,并通过示例加权方法来促进学习过程,最终生成一个强分类器,用于测试视频中的目标跟踪。实验结果表明,该算法在旋转、光照和尺度变化等影响下取得了优异的效果。相比其他几种改进型多示例学习算法,提出的算法获得了更好的跟踪效果。

基于在线学习数据的学习者成绩预测研究海外实例

本文是西班牙科尔多瓦大学实施的一个基于在线学习数据的学习者成绩预测实例。在该项研究中，研究者对多示例学习和单示例学习算法的预测效果进行了比较研究。●基于MOODLE网络学习系统的数据对学习结果的预测研究一直以来，根据学生使用网络学习系统的情况对他们的学习成绩进行预测都是一个难题。为了解决这一问题，研究者需要在两者之间建立起有意义的关联。例如，学生可以通过课程中的不同活动来加强理解课堂中所学到的概念，在课程完成时进行期末考试，成绩合格者则表示成功完成本课程，成绩不合格者则表示未成功完成课程。

运动预测的多示例学习目标分块跟踪方法

多示例学习目标分块跟踪方法用于解决被遮挡目标的跟踪问题。为了进一步提升跟踪算法处理速度,及增强算法在目标跟踪过程中目标发生较大形变时的跟踪能力,提出一种在执行检测算法前先进行运动预测的改进算法,通过降低检测面积从而提高检测速度,及改进子块的学习模型更新策略以提高对外形变化物体的跟踪能力。实验结果表明,改进算法处理速度有明显提升,并且在被跟踪目标有一定程度形变时,跟踪精度也有所提升。

基于EMD的融合特征快速多示例人脸识别算法

在基于五官模版技术的人脸识别中,因光照、角度及缺少整体性考虑等情况,易产生异常示例,影响了算法精度。而适合多示例检索的EMD距离寻优路径较长,导致在人脸识别中应用受限。为此提出一种基于EMD距离的快速融合特征多示例人脸识别算法(IIFEMD-MIL)。针对异常点的问题,通过引入结合整体特征的融合多示例技术以及距离阀值,从而减少异常示例的产生并对超过阈值的示例予以平滑处理;针对寻优路径长的问题,将人脸五官之三结合整体示例为模版构建四示例的一一匹配,并进一步提出了融合快速EMD-MIL框架,缩短了寻优遍历路径。在ORL和MIT图像集上进行的比对实验表明,该算法执行效率和分类准确性优于其他同类算法。

基于EMD-CkNN多示例学习算法的图像分类

针对自然图像场景分类问题,根据Citation-kNN算法思想,提出一种新的基于多示例学习(MIL)的图像分类方法。将整个图像当作多示例包,图像分割的区域当作包中的示例,在度量图像包间的相似距离时,利用改进的推土机距离(EMD)代替Citation-KNN算法中的最小Hausdorff距离(minHD),用于图像分类。在Corel图像库上的对比实验结果表明,分类准确率更高。

中值流辅助在线多示例目标跟踪

针对机器人演示学习中目标跟踪性能的严格要求,提出一种可以有效克服快速运动、遮挡和目标漂移的物体跟踪方法。首先计算中值流,并预测目标的位置偏移,以此计算高斯权重;然后修正搜索区域,并使用在线多示例分类器进行目标搜索,计算似然度;最后使用贝叶斯框架对结果进行融合,使用穷举搜索得到最优的预测位置,并更新在线分类器。实验结果表明,与现有方法相比,该方法对快速运动和目标漂移具有更强的鲁棒性,而且可以达到实时跟踪。

改进特征和时间融合框架的区分式跟踪算法

文章基于多示例学习的跟踪框架,引入改进型的分布场特征并融合目标时间维度信息,提出了一种新的跟踪算法。新的特征能够更为有效地描述目标的空间结构信息,对于目标模糊、局部遮挡以及细微形变有良好的鲁棒性。加入的目标时间维度信息融合方法,包含了目标的历史信息,同时也能响应目标的外观变化,提高了跟踪器从跟踪异常中恢复的能力。通过对比新算法与其他先进算法在多组测试视频上的跟踪结果,可以发现本文提出的算法具有更为优异的性能,能够在各种复杂情况下对目标进行稳定的跟踪。

长短期时间序列关联的视频异常事件检测

目的 多示例学习是解决弱监督视频异常事件检测问题的有力工具。异常事件发生往往具有稀疏性、突发性以及局部连续性等特点,然而,目前的多示例学习方法没有充分考虑示例之间的联系,忽略了视频片段之间的时间关联,无法充分分离正常片段和异常片段。针对这一问题,提出了一种长短期时间序列关联的二阶段异常检测网络。方法 第1阶段是长短期时间序列关联的异常检测网络(long-and-short-term correlated mil abnormal detection framework,LSC-transMIL),将Transformer结构应用到多示例学习方法中,添加局部和全局时间注意力机制,在学习不同视频片段间的空间关联语义信息的同时强化连续视频片段的时间序列关联;第2阶段构建了一个基于时空注意力机制的异常检测网络,将第1阶段生成的异常分数作为细粒度伪标签,使用伪标签训练策略训练异常事件检测网络,并微调骨干网络,提高异常事件检测网络的自适应性。结果 实验在两个大型公开数据集上与同类方法比较,两阶段的异常检测模型在UCF-crime、ShanghaiTech数据集上曲线下面积(area under curve,AUC)分别达到82.88%和96.34%,相比同为两阶段的方法分别提高了1.58%和0.58%。消融实验表明了关注时间序列的Transformer模块以及长短期注意力的有效性。结论 本文将Transformer应用于时间序列的多示例学习,并添加长短期注意力,突出局部异常事件和正常事件的区别,有效检测视频中的异常事件。