《弱監督線上學習方法及其在視覺目標跟蹤中的套用》是依託哈爾濱工業大學，由唐降龍擔任項目負責人的面上項目。
基本介紹
- 中文名：弱監督線上學習方法及其在視覺目標跟蹤中的套用
- 依託單位：哈爾濱工業大學
- 項目類別：面上項目
- 項目負責人：唐降龍
項目摘要,結題摘要,
項目摘要
隨著研究的深入和套用的發展，越來越多的機器學習問題面對的是缺乏明確和完整監督信息的對象，特別是線上學習過程中，樣本的這種弱監督性問題顯得尤為突出。現有的弱監督學習方法大多是針對特定問題提出的，如半監督、多示例、多標籤，本課題提出了一種多視的機率圖模型方法，將各種弱監督問題、組合弱監督問題納入到統一的框架下求解，並且將其推廣到線上學習領域。周圍環境或目標自身的變化往往是影響視覺跟蹤精度的主要因素，對目標外觀模型的線上學習是提高跟蹤性能的重要手段。視覺目標的學習是一個典型的弱監督線上學習過程，很難實時得到線上樣本完整、明確的監督信息，本研究將多視機率圖模型套用於視覺跟蹤的線上學習，提高目標跟蹤的準確度。
結題摘要
本課題針對弱監督學習問題開展了研究，在總結現有針對特定問題的弱監督學習方法的基礎上，提出兩種了統一的弱監督學習框架：基於極大似然估計的EM Model和基於圖方法的Graph Model，使其成為解決各種複雜弱監督學習問題的基礎。在統一的弱監督學習框架下，分別提出了解決半監督學習問題的嵌入式流形直推自學習算法、解決弱標記學習問題的直推式多標記圖方法以及解決多示例學習問題的示例選擇泛化能力增強的MILD算法，上述算法在通用的機器學習數據集上均取得了優於現有方法的結果，證明課題所提出的統一弱監督學習框架的有效性。為了進一步驗證學習框架在實際套用中的有效性，課題還開展了面向視覺目標跟蹤的線上學習研究，提出了一種多特徵自適應融合的目標外觀動態模型，套用線上弱監督學習方法提高了視覺跟蹤的魯棒性和準確率。
