计算机研究与发展
計算機研究與髮展
계산궤연구여발전
Journal of Computer Research and Development
2015年
11期
2431-2440
,共10页
联合识别模型%姿态估计%目标检测%部件模型%结构化支持向量机%隐变量
聯閤識彆模型%姿態估計%目標檢測%部件模型%結構化支持嚮量機%隱變量
연합식별모형%자태고계%목표검측%부건모형%결구화지지향량궤%은변량
multi-task recognition model%pose estimation%object detection%part-based models%structured SVM%latent variables
目标检测与姿态估计在当前视觉研究中分属不同的任务,但两者在研究方法和现实应用上具有较强的互补性.提出了一种混合的层次树模型,该模型包含3类结点,分别描述整体目标、判别部件和组件(即语义部件).中间层的判别部件兼顾承上(目标)与启下(组件)的功能,一方面刻画整体目标的局部特征,另一方面隐含多组件的共现信息,相比当前最新的联合模型,层次树模型能够并行化处理检测与估计,避免串联化联合引发的错误传播.采用基于隐变量的结构化支持向量机训练模型,同时提出了一种新的部件学习方法以自动地初始化和优化判别部件.实验设计了多任务识别和单任务识别2种评估场景,对比了本文模型与当前主流的联合识别模型,实验结果说明层次化模型具有更强的识别性能以及更高的时效性.
目標檢測與姿態估計在噹前視覺研究中分屬不同的任務,但兩者在研究方法和現實應用上具有較彊的互補性.提齣瞭一種混閤的層次樹模型,該模型包含3類結點,分彆描述整體目標、判彆部件和組件(即語義部件).中間層的判彆部件兼顧承上(目標)與啟下(組件)的功能,一方麵刻畫整體目標的跼部特徵,另一方麵隱含多組件的共現信息,相比噹前最新的聯閤模型,層次樹模型能夠併行化處理檢測與估計,避免串聯化聯閤引髮的錯誤傳播.採用基于隱變量的結構化支持嚮量機訓練模型,同時提齣瞭一種新的部件學習方法以自動地初始化和優化判彆部件.實驗設計瞭多任務識彆和單任務識彆2種評估場景,對比瞭本文模型與噹前主流的聯閤識彆模型,實驗結果說明層次化模型具有更彊的識彆性能以及更高的時效性.
목표검측여자태고계재당전시각연구중분속불동적임무,단량자재연구방법화현실응용상구유교강적호보성.제출료일충혼합적층차수모형,해모형포함3류결점,분별묘술정체목표、판별부건화조건(즉어의부건).중간층적판별부건겸고승상(목표)여계하(조건)적공능,일방면각화정체목표적국부특정,령일방면은함다조건적공현신식,상비당전최신적연합모형,층차수모형능구병행화처리검측여고계,피면천련화연합인발적착오전파.채용기우은변량적결구화지지향량궤훈련모형,동시제출료일충신적부건학습방법이자동지초시화화우화판별부건.실험설계료다임무식별화단임무식별2충평고장경,대비료본문모형여당전주류적연합식별모형,실험결과설명층차화모형구유경강적식별성능이급경고적시효성.
