文档介绍:
有着
标外
信息
板匹
础上
特征结合的混合特征必须通过学习训练才能有效地识别行
人目标。多层级识别器利用部分先验信息进行层级特征
的端对端学习获得分类器。现有训练特征基本是通过监督
学样本训练得到学样本的数量已远远超过已标
记样本】。针对此问题,本文提出一种基于无监督学习的
行人检测方法。该方法可以充分利用所有样本提高训练得
到的学习模型的泛化能力。
图过滤器
无监督多层次特征学习
. 分层模型
在行人检测研究中,设计具有很好表征能力的特征分层特征提取系统嘲包含多层次特征提取器对样本进
描述子一直是研究的重点。本文将采用通用特征学习算法行连续的过滤和非线性变换操作。通过特定的通用参数化
产生拥有很强行人表征能力的特征提取器。在图像检测函数可以逐步将输入样本映射成更高层次的表征。本文采
中,端对端监督学样本时能够达到用稀疏卷积分层模型对样本进行特征学习,每层都采用包
很好的效果。针对大量数据集中无法找到足够数量的标记含有稀疏卷积编码算法和预测函数的无监督模型, 其中预
样例的情况,本文采用多层次模型, 首先利用无监督学测函数有助于快速推理。底层之后使用分类器对学习的特
习算法从前一层级的输出中训练通用无监督模型,然后利征表征进行分类标记。
用标记样例对提取的特征进行监督更新。.无监督学习
图多尺度卷积网络
稀疏编码算法是一种无监督学习方法,它用来寻找定义为
一组“超完备”基向量来更高效地表示样本数据。稀疏编
—石
码算法的目的就是找到一组基向量,使得我们能将输£
入向量表示为这些基向量的线性组合: 此线性重建模型中, ,混合
∑系数。为了获得最优稀疏值,须对式求极
此处, 需要找到一组“超完备”基向量来表示输入小值。取决于所使用的稀疏编码算法,本文所使用
向量∈懈。,所以为的绝对值之和。为
基于无监督学习的行人检测算法
获取通用特征提取器, 对式进行最优化: 对于彩色样本图像或者其他多模型表征特征,预测
函数如式所示,
一
弓×
式对参数和是凹函数,然而固定一参数
卷积能量为:
后, 函数对另一参数仍然是凸函数。所有采用矩阵字典
匹。∑一∑弓圆
的稀疏建模算法都利用这个性质并采用了坐标下降法,例
如对所用变量进行更新后求极小值。通常,我们采用稀疏
字典学习来表征图像。在大部分稀疏编码模型中,我们假单层无监督在线训练步骤如下:
设所有相邻的图象块都是相互独立的,使用图像小块作为无监督函数Ⅵ,,,., 。
输入获得字典, 然后用超完备基表征整幅图片, 然预测函数式代入厂;,,,令
而这种方法获得的字典是冗余的。为解决冗余表征的问。
题,本文采用拥有快速预测函数的卷积预测分解模型建
随机初始化和芦, 取空集。
立层级行人特征表达。本文采用预测函数如下:
循环:利用快速迭代收缩阈值算法最小化式
:吕:
×
对和进行随机更新: 一一,
式中对单一输入和单一