Coupling Semi-supervised Learning and Example Selection for Onli...

本文题为《半监督学习与样本选择结合用于在线物体跟踪》，由Min Yang、Yuwei Wu、Mingtao Pei、Bo Ma和Yunde Jia撰写，他们来自北京理工大学智能信息技术北京市重点实验室及计算机科学与技术学院。文章摘要中提出了使用半监督学习和样本选择相结合的方法来提高在线物体跟踪的性能。文章指出，对于判别式跟踪器来说，训练样本的收集是至关重要的。大多数现有的算法采用了采样-标记策略，将训练样本收集视为一个与分类器学习独立的任务。然而，直接由采样得到的样本并不一定对分类器学习有用。使用这些样本来更新分类器可能会向跟踪器引入歧义。因此，文章介绍了一个介于采样和标记之间的主动样本选择阶段，并提出了一个新颖的在线物体跟踪算法。该算法明确地将半监督学习和样本选择的目标结合在一起。文章的方法使用拉普拉斯正则化最小二乘法（LapRLS）学习一个能够充分挖掘未标记数据并保持特征空间局部几何结构的鲁棒分类器。为了确保分类器的高分类置信度，提出了一种主动样本选择方法，自动选择对LapRLS最有信息量的样本。部分选定的样本满足严格约束条件后被标记，以增强跟踪器的适应性，实际上为半监督学习提供了鲁棒的监督信息。通过主动样本选择，可以避免独立样本收集策略所带来的歧义，并减轻因样本对齐不当而引起的漂移问题。与其他最先进的跟踪器在综合性基准测试上的对比表明，该跟踪算法更具有效性和准确性。 在引言部分，作者指出物体跟踪的目标是在视频序列中自动估计物体的轨迹。尽管人类视觉系统能很容易地完成这一任务，但设计一个鲁棒的在线跟踪器仍然是一个非常具有挑战性的问题，原因在于由物体变形、光照变化、遮挡以及背景杂波等因素引起的显著外观变化。众多的跟踪算法中，训练样本的收集极为关键，因为好的训练样本直接影响着分类器的性能和跟踪器的稳定性。 该研究工作的亮点在于引入了主动样本选择阶段，这样不仅可以筛选出对分类器最有用的样本，而且还可以提高分类器的分类置信度。通过精心挑选的样本进行标记，为半监督学习提供了更为准确的指导信息。文章采用的LapRLS方法，能够充分利用未标记的数据，并保持特征空间的局部几何结构。这与当前流行的在线物体跟踪方法相比，具有一定的创新性，从而有效提升了跟踪算法的准确性和适应性，解决了样本歧义和漂移问题，为在线物体跟踪领域提供了新的研究思路和方法。