基于代价敏感结构化SVM的目标跟踪.docx

基于代价敏感结构化的支持向量机（SVM）在目标跟踪中的应用，旨在解决传统SVM在处理目标跟踪任务时正负样本不平衡的问题。目标跟踪是计算机视觉中的核心问题，涉及视频分析、监控、导航等多个领域。随着技术的发展，尽管目标跟踪有了显著进步，但依然面临着复杂背景、目标变化、快速运动等挑战。 结构化SVM（Structured SVM）在目标检测领域的成功应用启发了研究人员将其引入目标跟踪。Struck算法是最早尝试这一方法的，它将目标跟踪视为一个结构化学习问题，避免了传统判别式跟踪中的分类步骤，从而提升了跟踪性能。随后，Yao等人通过加权在线结构化SVM改进了这种方法，保留了时间上下文信息，增强了跟踪稳定性。对于遮挡和形变目标，他们又基于Pegasos在线算法提出了在线结构化SVM跟踪策略。 为了解决模型漂移问题，Bai等人提出了在线拉普拉斯排序SVM跟踪，而Zhang等人则开发了MEEM跟踪，采用在线SVM建立专家系统来跟踪目标。Hong等人利用在线SVM指导反向传播CNN特征，构建显著图跟踪，增强了鲁棒性。Ning等人基于对偶坐标下降原理设计了一种对偶线性结构化SVM跟踪方法，兼顾了速度和鲁棒性。Wang等人通过相关滤波加速了基于结构化SVM的跟踪，Ji等人则将此思想应用于基于目标部件的结构化SVM跟踪，而Zuo等人利用离散傅里叶变换优化相关滤波器，进一步提升了基于SVM的跟踪性能。 然而，这些方法普遍面临正负样本不平衡的问题，这可能导致模型偏向于多数类样本，忽视少数类样本。为此，本文提出了一种代价敏感的结构化SVM模型（Dual Liner Cost Sensitive Structured Support Machine, DLCS-SSVM）和多尺度版本（Scale-DLCS-SSVM），通过优化算法解决了这一问题。该模型利用对偶坐标下降原理，确保了在处理不平衡样本时的准确性和效率。实验结果在OTB100和VOT2019数据集上验证了所提方法的有效性，显示了与现有先进跟踪方法相比的优越性能。 代价敏感支持向量机（Cost-Sensitive SVM）是为了解决SVM中正负样本不平衡问题而提出的。在二分类问题中，它通过调整不同类别的惩罚系数来平衡两类样本的影响。文献[14]的代价敏感SVM模型通过调整正负样本的损失函数权重，使得模型更加关注误分类的少数类样本。优化目标是找到最大化分类间隔且同时考虑样本代价的权重向量和偏置项，以确保在样本不平衡情况下仍能获得良好的泛化能力。 总结来说，基于代价敏感结构化SVM的目标跟踪方法通过优化算法解决了传统SVM在跟踪过程中正负样本不平衡的难题，提高了跟踪的准确性和鲁棒性，尤其适用于复杂场景和动态变化的目标跟踪任务。这一研究方向不仅丰富了目标跟踪的理论框架，也为实际应用提供了更有效的解决方案。