计算机工程
計算機工程
계산궤공정
COMPUTER ENGINEERING
2015年
1期
150-157
,共8页
李想%汪荣贵%杨娟%蒋守欢%梁启香
李想%汪榮貴%楊娟%蔣守歡%樑啟香
리상%왕영귀%양연%장수환%량계향
多示例学习%有害示例%核密度估计%示例选择%稳健性%目标跟踪
多示例學習%有害示例%覈密度估計%示例選擇%穩健性%目標跟蹤
다시례학습%유해시례%핵밀도고계%시례선택%은건성%목표근종
Multiple Instance Learning (MIL)%harmful instance%kernel density estimation%instance selection%robustness%object tracking
多示例学习是一种处理包分类问题的新型学习模式,传统基于多示例学习的目标跟踪算法在自适应获取正包时受到无益或有害示例的干扰,不能很好地提取目标的鉴别性特征.为此,设计基于核密度估计的示例选择方法,剔除训练集中的无益示例或有害示例,提高多示例学习算法的有效性,并在此基础上提出一种基于示例选择的目标跟踪改进算法,针对负示例占多数的情况建立核密度估计函数来精简正包中的示例,使用精简后的样本数据进行训练学习,最终实现对目标的实时跟踪.实验结果表明,该算法在光照变化、目标部分遮挡及形体变化等情形下都具有较好的稳健性.
多示例學習是一種處理包分類問題的新型學習模式,傳統基于多示例學習的目標跟蹤算法在自適應穫取正包時受到無益或有害示例的榦擾,不能很好地提取目標的鑒彆性特徵.為此,設計基于覈密度估計的示例選擇方法,剔除訓練集中的無益示例或有害示例,提高多示例學習算法的有效性,併在此基礎上提齣一種基于示例選擇的目標跟蹤改進算法,針對負示例佔多數的情況建立覈密度估計函數來精簡正包中的示例,使用精簡後的樣本數據進行訓練學習,最終實現對目標的實時跟蹤.實驗結果錶明,該算法在光照變化、目標部分遮擋及形體變化等情形下都具有較好的穩健性.
다시례학습시일충처리포분류문제적신형학습모식,전통기우다시례학습적목표근종산법재자괄응획취정포시수도무익혹유해시례적간우,불능흔호지제취목표적감별성특정.위차,설계기우핵밀도고계적시례선택방법,척제훈련집중적무익시례혹유해시례,제고다시례학습산법적유효성,병재차기출상제출일충기우시례선택적목표근종개진산법,침대부시례점다수적정황건립핵밀도고계함수래정간정포중적시례,사용정간후적양본수거진행훈련학습,최종실현대목표적실시근종.실험결과표명,해산법재광조변화、목표부분차당급형체변화등정형하도구유교호적은건성.