読書メモ
Personal Internet RInkou (PIR) =>(PIRについてはこちら)
『Discriminatively Trained Particle Filters for Complex Multi-Object Tracking』
Rob HessandAlan Fern
In IEEE Conference on Computer Vision and Pattern Recognition,2009.
===概要===
識別訓練法を用いて,複数の移動体を追跡するためのParticle filterのパラメータを学習する.
generativeな学習方法よりもdiscriminativeな学習法のほうが上手くいく.
アメフトの22人の追跡を可能にした.
提案手法は二つの最新のパーティクルフィルタのアルゴリズムを使用した場合よりも,良い結果が生まれた.
これまで様々な移動体追跡ほ方法が提案されてきたが,これらすべて人間によるパラメータ調整にかかっている.
私たちの手法は,追跡誤差に応じて,パラメータを調整する.
計算量をへらす手法も提案する.
識別訓練法を用いた理由
1.実験的に有効だと証明されてきたから.データがたくさんあれば生成的学習法よりも識別訓練法の法が有効であることが示されている[12]
2.生成的学習法にくらべて,パラメータの独立性を考慮しなくていい
3.私たちの問題を直接的に解決してくれる.Joint likelihood でもいい結果を得られる時はあるが,仮定するモデルが悪いと精度が低下する.
学習していないfilterとしたfilterを学習する.
二つの似た物体が近づくと見間違いが生じる.
いろいろな方法が提案されたが,パラメータ設定の問題は残ったまま
まず初めに隠れマカロフモデルの学習が識別訓練法によって行われた.
EKFの識別訓練法は提案されたが,これは移動体追跡には有効ではない.
これらの方法はすべての出力値に対して学習するため,本当にfilterが失敗した所よりも,その周辺を学習してしまう.
学習したシステムをパーティクルフィルタに組み込む
パーセプトロン型の学習と,残差,MSEのそれぞれのコスト関数で学習をした.
計算量を減らすために,事前に特徴量の計算を行っておく.
閾値を二つ使って,大きな誤差が生まれた時は,そこを覚えておいて,重みを大きく変更する.
また,そこから状態量を真値に置き換えて計算することにより計算量がへる.
パーセプトロンよりもMSEや残差の法が学習効果がある
自分達の手法を用いることにより,より多くの選手を高精度に推定できる.計算もはやい.
===すごいところ===
識別訓練法を実際に利用して,フィルターの精度を向上させたこと
===わからなかった所===
計算量を減らす手法の内容があまり理解できなかった.