基于在线学习理论的目标检测技术

代理获取

页面导航

目录
摘要
著录项
相似文献
相关主题

摘要

基于在线学习的目标检测是计算机视觉领域一个较新的研究课题。如何使检测模型在执行检测任务的同时进行在线学习，从而模仿人类视觉系统的自我学习能力，逐步提高自身的检测性能是在线学习目标检测系统的主要研究内容。本文提出将跟踪与检测模型的在线学习结合起来，通过跟踪自动提供检测模型在线学习的样本并对检测结果进行验证，从而指导检测模型的在线学习。整个研究工作主要集中在学习样本类别自动标注以及提高在线学习的分类器分类能力方面。
　　本文首先提出自适应级联分类器算法，将级联分类器算法融入到在线学习体系中，使级联分类器可以进行在线训练。并且整个分类器级联结构可以进行自适应的变化，即通过在线训练过程中增加级联分类器的级数增强分类器分类能力。实验结果表明，该算法可以进行自适应在线学习，从而提高目标检测精度。
　　其次，针对在线学习中样本类别自动标注的难点提出采用粒子滤波跟踪进行在线学习样本的获取以及样本类别的自动标注。利用粒子滤波算法的特性对目标检测结果进行验证，将错误的检测作为在线学习的负样本更新检测模型。此外，通过跟踪获取真实目标的不同姿态，从中提取检测模型较难检测出来的目标作为在线学习的正样本。大量的实验结果表明了该方法的有效性。
　　为了进一步提高跟踪对检测结果验证的正确性，本文提出了多信息融合的粒子滤波算法，将目标轮廓信息融合到粒子似然比计算中，从而提高跟踪对检测结果验证的准确程度。通过实验证明该算法取得了不错的效果。
　　此外，为了在较少特征数情况下提高在线学习分类器的分类能力，本文提出维数递增弱线性回归树算法，将线性回归树作为弱分类器，并且使线性回归树可以进行维数递增，从而每一个弱分类器都组合了多个特征，再由多个弱分类器结合起来构成强分类器。这种算法采用线性回归树作为弱分类器，可以通过递归最小二乘估计更新各个节点线性回归器系数，实现了弱线性回归树的在线学习。
　　最后，本文对所做的工作进行了归纳总结，并且结合本文的不足之处，分析和讨论了进一步的研究计划。

著录项

作者
罗大鹏;
展开▼
作者单位

华中科技大学;

展开▼
授予单位华中科技大学;
学科控制科学与工程
授予学位博士
导师姓名桑农;
年度 2010
页码
总页数
原文格式 PDF
正文语种中文
中图分类自动推理、机器学习;
关键词
目标检测; 在线学习; 自适应级联分类器; 粒子滤波; 线性回归树;

相似文献

中文文献
外文文献
专利

1. 基于Comet的目标参数实时在线检测技术研究 [J] . 葛中泽 . 制造业自动化 . 2013,第002期
2. 在线学习过程中如何实施有效的反馈——基于自我调节学习理论的在线反馈探讨 [J] . 蔡旻君 ,郭婉瑢 ,娄颜超 . 电化教育研究 . 2020,第010期
3. 基于微信的在线协作学习理论教育实践 [J] . 樊卿 . 科技传播 . 2021,第010期
4. 基于联通主义学习理论的高校创业教育在线教学模式探析 [J] . 陈然 ,张庆霞 ,张羽鹂 . 创新与创业教育 . 2021,第004期
5. 基于建构学习理论的《国际贸易实务》在线开放课程设计 [J] . 余春阳 . 商情 . 2021,第38期
6. 基于深度学习理论的在线学习活动设计研究 [C] . 王孝金 . 第16届教育技术国际论坛暨首届智慧教育国际研讨会 . 2017
7. 基于情境学习理论的在线教育平台设计与研究 [A] . 李昱炜 . 2018

基于在线学习理论的目标检测技术

目录

摘要

著录项

相似文献

相关主题

期刊订阅