基于预测一致性的行人检测领域自适应

行人检测技术是目前计算机视觉领域的研究热点之一，基于机器学习的行人检测技术已经取得了一定的进展。但是，传统的机器学习方法总是假设训练数据与测试数据服从相同的数据分布，然而，在行人检测中针对特定场景尤其是在摄像头静止的监控场景，这种同分布假设并不满足。在此研究背景下，本文提出了基于预测一致性的领域适应模型。利用Boosting技术从训练集中选择具有正迁移能力的样本，对样本的迁移能力给出了基于预测一致性的熵度量方法。对比实验表明，该学习模型能够有效的提高检测率，尤其是在标记样本较少的情况下仍取得了较好的检测效果。