分類： cv相關
2012-06-09 09:35
6780人閱讀
收藏 舉報演算法c
之前翻譯過一篇pn學習的文章：但該文章的內容還是略顯生澀，不太容易理解。尤其是在tld跟蹤演算法中，pn學習又是乙個很重要的模組。如果不能很好理解該部分，是很難完全掌握tld演算法精髓的。所以，這裡我在上次翻譯的基礎上，結合tld演算法中的pn學習的具體應用，再次講述pn學習的原理。
pn學習即
pn learning, p
指代positive constraint,
也稱之為
p-expert
或者growing event,n
指代negative constraint,
也稱之為
n-expert
或者pruning event
。p-expert的作用是發現目標的新的外觀（形變），並以此來增加正樣本的數量，從而使得檢測模組更具魯棒性；
n-expert的作用是生成負的訓練樣本。
n-expert
tld模組中的
pn(tld
中的detection)
pn學習的關鍵在於兩種型別的「專家
(experts)
」：p-experts
檢查那些被檢測模組錯誤分類為正樣本（前景目標）的資料；
n-experts
檢查哪些被檢測模組錯誤分類為負樣本(背景
)的資料；需要提醒的是，無論
p-experts
還是n-experts
都會產生一定的偏差。那麼，如果用這些存在偏差的資料來更新檢測模組（目標模型），是否會造成檢測模型的效能惡化呢？作者經過研究發現，儘管存在誤差，在一定條件下，誤差是允許的，並且檢測模組的效能會因此得到改善。
pn學習包含四個部分：（1
）乙個待學習的分類器；（
2）訓練樣本集
--一些已知類別標籤的樣本；（
3）監督學習
--一種從訓練樣本集中訓練分類器的方法；（4）
p-n experts--
在學習過程中用於產生正（訓練）樣本和負（訓練）樣本的表達函式；這四個部分之間的關係如下圖所示：
首先根據一些已有類別標記的樣本，借助監督學習方法來訓練，從而得到乙個初始分類器。之後，通過迭代學習，利用上一次迭代得到的分類器對所有的未賦予標籤的樣本資料進行分類，而p-n experts則找出那些錯誤分類的樣本，並依此來對訓練樣本集做出修正，使得下一次迭代訓練之後得到的分類器的效能有所改善。p-experts將那些被分類器標記為負樣本，但根據結構性約束條件應該為正樣本的那些樣本賦予「正」的標籤，並新增到訓練樣本集中；而
n-experts
則將那些被分類器標記為正樣本，但根據結構性約束條件應該為負樣本的那些樣本賦予「負」的標籤，並新增到訓練樣本集當中；這也就意味著，
p-experts
增加了分類器的魯棒性，而
n-experts
則增加了分類器的判別能力。
下面我們就舉例來說明pn
每乙個掃瞄視窗就表示乙個影象片(image patch)，影象片的類別標籤用
(b)(c)
中的彩色圓點來表示。檢測模組對每個影象片的類別賦值過程是彼此獨立的，因此，
n個掃瞄視窗就存在個類別標籤的組合。而(b)
(b)中最前面的影象中右上角的紅色圓點在後面的兩個影象中均沒有出現），顯然，這種類別標籤形式是錯誤的。相反，
(c)pn
學習的關鍵就是找到這種結構性的資料，從而來判別檢測模組所產生的錯誤標籤；
p-experts
記錄目標在上一幀中的位置，並根據幀與幀之間的跟蹤演算法（這裡採用的是
lk光流法）來**目標在當前幀中的位置。如果檢測模組將跟蹤演算法**到的目標在當前幀中的位置標記為負標籤，那麼
p-experts
n-experts
對檢測模組在當前幀中的所有輸出結果以及跟蹤模組的輸出結果進行分析，並找到具有最大可能性的那個區域。當前幀中所有目標可能出現的區域當中，如果某個區域同最大可能性區域之間沒有重疊，就將其認定為負樣本。另外，具有最大可能性的那個區域，被用於重新初始化跟蹤模組；
下面，再給出乙個例子來說明情況：
t時刻那個黃色框所在區域的那個小車。跟蹤模組在相鄰幀之間給出小車的位置，從前面的分析我們知道，跟蹤模組給出的區域可以被
p-experts
用來產生正的訓練樣本；但由於遮擋，在
t+2時刻，
p-experts
產生了錯誤的正（訓練）樣本；與此同時，
n-experts
則找出目標最可能出現的位置（用紅色的星號來標記），並且將所有其他的區域標記為負的訓練樣本；這裡，
n-experts
在t+2
時刻很好的修正了
p-experts
的錯誤；
>
來自為知筆記(wiz)
P N學習介紹
p n學習使一種利用帶標籤樣本 一般用於訓練分類器 和不帶標籤的樣本 一般用於測試分類器 之間存在的結構性特徵來逐步學習，訓練兩類分類器並改善分類器分類效能的方法。p n學習主要包含有以下四個部分 1 乙個待學習的分類器 2 訓練樣本集 一些已知類別標籤的樣本 3 監督學習 一種從訓練樣本集中訓練分...
PN結是什麼？PN結有什麼特徵？PN結的應用
pn結學習思維導圖 在看接下來的內容之前，我們先看看本文的思維導圖。首先對pn結的定義及原理進行分析。了解原理之後，來分析學習它的特徵，有了原理特徵當然是要應用了。是不是有點晦澀？學習就是要逐漸理解那些晦澀的定義，好了進入主題。我們首先拿出來一塊矽 鍺 片 本徵半導體 靈光一閃我們就在這個矽片上確定...
關於PN結
一直以來，我對pn的形成中的幾個細節耿耿於懷。最近和乙個小夥伴討論後，更加深了認識。對於半導體而言，載流子的概念讓人感到迷糊。對於n型半導體，比如在si基里摻雜p原子，此時p原子外層有9個電子，其中的1個就會比較自由，可以移動，這很好理解。而p型半導體就不怎麼好理解，摻入了b原子後，由於除了4個共價...