技术标签: 目标跟踪
对struck SVM的理解,很关键的一点是对支持向量的选择过程的理解,最终模型的效果好不好,也取决于选择的sv是否具有代表性。这里,可以先把对第一幅图学习后得到的sv的情况打出来,从而从数据入手,一边提问题,一边解决问题,这其实就是理解作者思路的过程。
根据第一幅图得到10个sv:
SV序号 SV结构 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
sv.b |
4.6352 |
-0.53 |
-0.2418 |
-2.588 |
-0.5559 |
-0.5452 |
-0.0756 |
-0.0463 |
-0.0321 |
-0.0203 |
sv.spIndex |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
sv.y |
1 |
31 |
32 |
41 |
36 |
40 |
20 |
29 |
23 |
37 |
sv.g |
-1.0638 |
-1.0638 |
-1.0638 |
-1.0638 |
-1.0638 |
-1.0638 |
-1.0638 |
-1.0638 |
-1.0638 |
-1.0638 |
这些sv之间的Kernel(衡量了sv之间特征向量的相似度)构成的gKernelMatrix是这样的:
于是,从这两幅数据中,我们可以提出一些疑问:
①只有第1个sv是正sv,它的系数b>0。为啥?
②有没有发现后面9个负sv与正sv的相似度都比较大(都>0.45),为啥要从一堆sample中选出与正sv相似度比较高的作为负sv呢??
③第4个sv与第1个sv(也是唯一一个正sv)的相似度很大,高达0.8612,而且第4个sv的权重也比较大(b的绝对值)。说明第4个sv对于决策起到很重要的作用。但有个问题,第10个sv和正sv的相似度也很大,但第10个sv的系数b却很小,这是因为什么呢??(第4个sv是第41个sample,第10个sv是第37个sample,与真实目标重叠率都为0,而且眼肉看的话,其实特征情况相差也不大,但为什么第10个sv那么小呢??)
④结构中的g到底是什么含义呢?
为了方便之后的观察,我们也打出这10个sv的图像内容以及与真实boundingbox的位置关系:
(其中,上图显示了当前sv与真实boundingbox的位置关系;下图表示了真实bounding box内的图像内容以及当前sv(左上角标出的是sample的序号)中的图像内容)
下面,我们开始解决这些疑问。
Struck:Structured Output Tracking with Kernels对应的matlab代码中有个很重要的变量g(指的是sample对应的特征向量的梯度),对应论文的这个公式:
Tip 1:为什么要找到g最小的sample作为负sv呢???
来看一下g的含义:
因为要找到g最小,理想情况是-learner_loss和-learner_evaluate都小,分开详细来看这两部分:
①-learner_loss小 当前sample与真实目标boundingbox的重叠率小
②在分析-learner_evaluate的大小与什么有关之前,先看一下learner_evaluate是怎么得到的,对应代码如下:
找到-learner_evaluate小的,也就是找到learner_evaluate即score大的。为了比较什么情况下learner_evaluate的值大,什么情况下learner_evaluate的值小,我们假设有两个sample:
(这里需要注意:正sv的系数b>0,负sv的系数b<0。)Tip 2:由Tip1变为了为什么要找到与真实框重叠率低,且与真实框相似度高,与已经选出来的负sv特征相差大的作为负sv??
也许下面这幅图可以帮助我们更直观的理解:
即:两个sv之间相似度越大,它们之间的Kernel就越大。也就是Kernel值的大小代表了sv之间相似度。
对应的代码是:
这个smo算法和梯度g联系很密切,关乎到sv系数b的变化。
这里我们会考虑到,执行smo算法是在哪个过程中?论文中提到了三种不同的更新步骤:PROCESS NEW、PROCESSOLD、OPTIMIZE PROCESSES,在执行这几个更新过程选出正负sv的最后,都要通过smo算法来调整参数,它们的执行过程分别描述如下:
对这部分的理解:
添加正sv:真实目标框
添加负sv:当前g最小的sample
为了方便理解,我们始终把g看成两部分来分析,一部分和重叠率有关,一部分和与当前sv的相似度有关。通过之前对g的含义的分析,我们把对g的比较看做是重叠率以及相似度的比较。因为看了很长时间,要说g到底代表什么物理意义,好像并没有一个很合理的说法。
之前已经提到,g是这样的:
所以,选出的作为负sv的sample是与真实框重叠少,但与真实框的特征相似,与负sv的特征相差大的。
对这部分的理解:
选出“正”sv:当前g最小的sv
(注意上面的一句话: 这意味着这个最大化仅仅是从引用这个支持模式的支持向量中选择。 这里是“选出”,也就是说从之前已经选中作为 sv 的并且引用这个支持模式中的 sample 中选出一个作为当前的“正 sv ”,并没有添加新的 sample 作为正 sv 。但是,选中的这个正 sv 并不一定是那个真正的正 sv ,也可能出现把负 sv 选出来作为当前的“正” sv 的情况,这个可以通过后面的输出观察到,这就相当于在改变之前某个 sv 的系数,更新方式见 smo 算法,涉及到系数 b 增加和减小,增加和减小的程度,为啥要这样更新呢??这个问题在最后的准则总结中,会详细回答 ...... )
第13步有个对g的更新过程,之前执著于研究g什么时候增大,什么时候减小。而且还想,为啥要把不是正sv的选出来“正sv”和负sv作为一对,进行更新呢?固定住每次都选出真实的正sv作为正sv不行吗?于是,我让每次进入smo算法时的ip都固定为当前支持模式中的真实目标框所在的sv,打出来这种方式下,第一幅得到的sv的情况如下:
SV序号 SV结构 |
1 |
2 |
3 |
4 |
5 |
6 |
sv.b |
5.1160 |
-1.5473 |
-0.8786 |
-2.3833 |
-0.2224 |
-0.0845 |
sv.spIndex |
1 |
1 |
1 |
1 |
1 |
1 |
sv.y |
1 |
31 |
32 |
41 |
40 |
36 |
sv.g |
-1.3496 |
-0.8856 |
-0.9250 |
-1.3040 |
-1.3387 |
-1.3496 |
出现错误了:
在红色框圈出的那一步,第一个sv的g竟然成了最小的,后来想到不应该让每次进入smo算法时的ip都固定为当前支持模式中的真实目标框所在的sv,这样第一个sv的g还是在更新的。
后来想到,在smo中,应该不让第一个sv的g还更新,这样才能保证第一个sv的g始终是最大的。后来发现也错了,通过min_gradient计算出来的第一个sv的g已经不等于0了。也就是g一定要变,不能不变。我把焦点放在了那两个g的公式上,惊奇地发现,第13步那个对g的更新方式其实和前面讲到的的对g的计算的公式是一样的。
我把这两个计算公式的结果打出来,结果一看,果然是相同的,利用min_gradient计算出来的g与每次PROCESS之后进行的smo中对g的更新一致。
哈哈,按现在问题就聚焦在b上啦~b的变化又是由lambdaU的大小决定着。而lambdaU,它的大小是这样的:
从一堆sample中选出一些作为sv的准则:可以戳前一篇博客
文章浏览阅读1.6k次。安装配置gi、安装数据库软件、dbca建库见下:http://blog.csdn.net/kadwf123/article/details/784299611、检查集群节点及状态:[root@rac2 ~]# olsnodes -srac1 Activerac2 Activerac3 Activerac4 Active[root@rac2 ~]_12c查看crs状态
文章浏览阅读1.3w次,点赞45次,收藏99次。我个人用的是anaconda3的一个python集成环境,自带jupyter notebook,但在我打开jupyter notebook界面后,却找不到对应的虚拟环境,原来是jupyter notebook只是通用于下载anaconda时自带的环境,其他环境要想使用必须手动下载一些库:1.首先进入到自己创建的虚拟环境(pytorch是虚拟环境的名字)activate pytorch2.在该环境下下载这个库conda install ipykernelconda install nb__jupyter没有pytorch环境
文章浏览阅读5.2k次,点赞19次,收藏28次。选择scoop纯属意外,也是无奈,因为电脑用户被锁了管理员权限,所有exe安装程序都无法安装,只可以用绿色软件,最后被我发现scoop,省去了到处下载XXX绿色版的烦恼,当然scoop里需要管理员权限的软件也跟我无缘了(譬如everything)。推荐添加dorado这个bucket镜像,里面很多中文软件,但是部分国外的软件下载地址在github,可能无法下载。以上两个是官方bucket的国内镜像,所有软件建议优先从这里下载。上面可以看到很多bucket以及软件数。如果官网登陆不了可以试一下以下方式。_scoop-cn
文章浏览阅读4.5k次,点赞2次,收藏3次。首先要有一个color-picker组件 <el-color-picker v-model="headcolor"></el-color-picker>在data里面data() { return {headcolor: ’ #278add ’ //这里可以选择一个默认的颜色} }然后在你想要改变颜色的地方用v-bind绑定就好了,例如:这里的:sty..._vue el-color-picker
文章浏览阅读640次。基于芯片日益增长的问题,所以内核开发者们引入了新的方法,就是在内核中只保留函数,而数据则不包含,由用户(应用程序员)自己把数据按照规定的格式编写,并放在约定的地方,为了不占用过多的内存,还要求数据以根精简的方式编写。boot启动时,传参给内核,告诉内核设备树文件和kernel的位置,内核启动时根据地址去找到设备树文件,再利用专用的编译器去反编译dtb文件,将dtb还原成数据结构,以供驱动的函数去调用。firmware是三星的一个固件的设备信息,因为找不到固件,所以内核启动不成功。_exynos 4412 刷机
文章浏览阅读2w次,点赞24次,收藏42次。Linux系统配置jdkLinux学习教程,Linux入门教程(超详细)_linux配置jdk
文章浏览阅读3.3k次,点赞5次,收藏19次。xlabel('\delta');ylabel('AUC');具体符号的对照表参照下图:_matlab微米怎么输入
文章浏览阅读119次。顺序读写指的是按照文件中数据的顺序进行读取或写入。对于文本文件,可以使用fgets、fputs、fscanf、fprintf等函数进行顺序读写。在C语言中,对文件的操作通常涉及文件的打开、读写以及关闭。文件的打开使用fopen函数,而关闭则使用fclose函数。在C语言中,可以使用fread和fwrite函数进行二进制读写。 Biaoge 于2024-03-09 23:51发布 阅读量:7 ️文章类型:【 C语言程序设计 】在C语言中,用于打开文件的函数是____,用于关闭文件的函数是____。
文章浏览阅读3.4k次,点赞2次,收藏13次。跟随鼠标移动的粒子以grid(SOP)为partical(SOP)的资源模板,调整后连接【Geo组合+point spirit(MAT)】,在连接【feedback组合】适当调整。影响粒子动态的节点【metaball(SOP)+force(SOP)】添加mouse in(CHOP)鼠标位置到metaball的坐标,实现鼠标影响。..._touchdesigner怎么让一个模型跟着鼠标移动
文章浏览阅读178次。项目运行环境配置:Jdk1.8 + Tomcat7.0 + Mysql + HBuilderX(Webstorm也行)+ Eclispe(IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持)。项目技术:Springboot + mybatis + Maven +mysql5.7或8.0+html+css+js等等组成,B/S模式 + Maven管理等等。环境需要1.运行环境:最好是java jdk 1.8,我们在这个平台上运行的。其他版本理论上也可以。_基于java技术的停车场管理系统实现与设计
文章浏览阅读3.5k次。前言对于MediaPlayer播放器的源码分析内容相对来说比较多,会从Java-&amp;gt;Jni-&amp;gt;C/C++慢慢分析,后面会慢慢更新。另外,博客只作为自己学习记录的一种方式,对于其他的不过多的评论。MediaPlayerDemopublic class MainActivity extends AppCompatActivity implements SurfaceHolder.Cal..._android多媒体播放源码分析 时序图
文章浏览阅读2.4k次,点赞41次,收藏13次。java 数据结构与算法 ——快速排序法_快速排序法