计算机视觉
图像处理

PN学习

申明:以下文字为笔者阅读了计算机视觉国际会议论文之 后翻译所得,其中个别部分加入了笔者自己的理解,但绝大部分都尊重了作者的原意。鉴于本人水平有限,个别地方可能存在误差,希望各位能够谅解!另外,如果 您需要更详细的了解PN学习的原理、用法及应用举例,请参考原文:PN-learning:Bootstrapping Binary Classifiers by Structural Constraints, Zdenek Kalal,CVPR2010

PN学习(PN learning)是一种利用带标签的样本(一般用于分类器训练,以下均称之为测试样本)和不带标签的样本(一般用于分类器测试,以下均称之为测试样本)之间存在的结构性特征(见下面的解释)来逐步(学习)训练两类分类器并改善分类器分类性能的方法。

正约束(Positive constraint)和负约束(negative constraint)用来限制测试样本的标签赋值过程,而PN学习正是受正负约束所操控的。PN学 习对分类器在测试样本上的分类结果进行评估,找到那些分类结果与约束条件相矛盾的样本,重新调整训练集,并进行重复迭代训练,直到某个条件满足,才停止分 类器训练过程。在目标跟踪过程中,由于被跟踪目标的形状、姿态等容易发生变化,造成目标跟丢的情况时有发生,所以,在这种情况下,对被跟踪目标的在线学习 和检测是个很好的策略。而PN学习正好可以在此处大显身手。

很多学习算法都 假设测试样本是彼此独立的,然而,在计算机视觉的应用中,有些测试样本的标签却存在彼此依赖的关系。标签之间存在的这种依赖关系,我们称之为结构性的。例 如,在目标检测过程中,我们的任务是对图片中目标可能存在的所有区域赋予标签,即:该区域属于前景或者背景,而这里的标签仅能是前景或背景两者之一。再比 如,在利用视频序列进行目标跟踪过程中,紧邻被跟踪目标运动轨迹线的区域,可以认为是前景标签,而远离轨迹线的区域,可以认为是背景标签。而前面提到的正 约束则表示所有可能的标签为正的模式,例如,此处的紧邻轨迹线的区域;负约束表示所有可能的标签为负的模式。

通过以上的分析,不难发现,PN学习可以定义为一下的过程:

(1)准备一个数量较少的训练样本集合和一个数量很大的测试样本集合。

(2)利用训练样本训练一个初始分类器。同时,利用训练样本对(先验)约束条件进行相应的调整。

(3)利用分类器对测试样本赋予标签,并找出分类器赋予的标签同约束条件相矛盾的那些样本;

(4)将上述相矛盾的样本重新赋予标签,将其加入训练样本,重新训练分类器;

反复迭代上述过程,直到满足某个约束条件。

转载注明来源:CV视觉网 » PN学习

分享到:更多 ()
扫描二维码,给作者 打赏
pay_weixinpay_weixin

请选择你看完该文章的感受:

0不错 0超赞 0无聊 0扯淡 0不解 0路过

评论 4

评论前必须登录!