Recommended
More Related Content
What's hot
What's hot (20)
Similar to Pn learning takmin
Similar to Pn learning takmin (20)
More from Takuya Minagawa
More from Takuya Minagawa (18)
Recently uploaded
Recently uploaded (7)
Pn learning takmin
- 1. CV勉強会@関東 発表資料 P-N Learning: Bootstrapping Binary Classifiers by Structural Constraints 2015/05/30 takmin
- 2. 自己紹介 テクニカル・ソリューション・アーキテクト 皆川 卓也（みながわ たくや） フリーエンジニア（ビジョン＆ITラボ） 「コンピュータビジョン勉強会＠関東」主催 博士（工学） テクニカル・ソリューション・アーキテクト 皆川 卓也（みながわ たくや） フリーエンジニア（ビジョン＆ITラボ） 「コンピュータビジョン勉強会＠関東」主催 博士（工学） 略歴： 1999-2003年 日本HP（後にアジレント・テクノロジーへ分社）にて、ITエンジニアとしてシステム構築、プリ セールス、プロジェクトマネジメント、サポート等の業務に従事 2004-2009年 コンピュータビジョンを用いたシステム/アプリ/サービス開発等に従事 2007-2010年 慶應義塾大学大学院 後期博士課程にて、コンピュータビジョンを専攻 単位取得退学後、博士号取得（2014年） 2009年-現在 フリーランスとして、コンピュータビジョンのコンサル/研究/開発等に従事 2 http://visitlab.jp
- 3. 紹介する論文 3 P-N Learning: Bootstrapping Binary Classifiers by Structural Constraints Z. Kalal, J. Matas, K. Mikolajczyk CVPR 2010 P-N Learningという二値分類を行う識別器をラベルなし サンプルから学習させるパラダイムの定式化 やってることはトラッキングだけど、論文自体はもっと上段に 構えてる デモ動画 https://www.youtube.com/watch?v=1GhNXHCQGsM OpenCV3.0に実装される予定
- 5. P-N Learning 5 ラベルつきサンプルとラベルなしサンプルを使用して二 値分類の識別器を学習 サンプル間の依存関係（構造）を利用して、サンプルにラ ベルを付与する Positive Constraints Positiveラベルをつける構造パターン Negative Constraints Negativeラベルをつける構造パターン
- 7. ラベルなしサンプルの活用例 7 半教師有学習 EMアルゴリズム self-learning co-training
- 14. fern 14 各ノードは2bitパターン 𝑃𝑟(𝑦 = 1|𝒙) 𝒙 = 2 1 1 特徴ベクトル 識別結果
- 15. Randomized fern 15 様々なサイズのウィンドウで画像内を探索 複数のfernの識別結果の平均が50%以上なら追跡対象 （正例）
- 19. 動画から学習の流れ 19 最初の識別器は第1フレームにラベルづけされた対象領 域をランダムにアフィン変換した300枚の正例を用いて学 習。 第1フレームにラベルづけされた対象領域をLKトラッカー で追跡。 LKトラッカーが追跡に失敗したり、軌跡よりも遠い位置に 識別器が物体を検出した場合 学習サンプルを全て破棄 学習済み識別器を用いてLKトラッカーを再初期化 最後のフレームまで学習された識別器＝Final Detector
- 21. 収束条件 21 False Positive数 False Negative数 𝛼 𝑘 + 1 = 𝛼 𝑘 − 𝑛 𝑐 − 𝑘 + 𝑛 𝑓 + 𝑘 𝑘: 学習回数 𝛽 𝑘 + 1 = 𝛽 𝑘 − 𝑛 𝑐 + 𝑘 + 𝑛 𝑓 − 𝑘 False Positive を正しく負例と 変換した数 True Negative を誤って正例 と変換した数 False Negative を正しく正例と 変換した数 True Positive を誤って負例 と変換した数 (1a) (1b)
- 22. 収束条件 22 P-Precision 𝑃+ = 𝑛 𝑐 + 𝑛 𝑐 + + 𝑛 𝑓 + 𝑃− = 𝑛 𝑐 − 𝑛 𝑐 − + 𝑛 𝑓 − 𝑅+ = 𝑛 𝑐 + 𝛽 𝑘 𝑅− = 𝑛 𝑐 − 𝛼 𝑘 P-Recall N-Precision N-Recall False Positive を正しく負例と 変換した数 True Negative を誤って正例と 変換した数 False Negative を正しく正例と 変換した数 True Positive を誤って負例 と変換した数 False Negative数 False Positive数 これらを前の式(1a),(1b)へ代入
- 23. 収束条件 23 𝛼 𝑘 + 1 𝛽 𝑘 + 1 = 1 − 𝑅− 1 − 𝑃+ 𝑃+ 𝑅+ 1 − 𝑃− 𝑃− 𝑅− 1 − 𝑅+ 𝛼 𝑘 𝛽 𝑘 (2) 固有値が1より小さいとき収束する 𝛼 𝑘 + 1 = 𝛼 𝑘 − 𝑛 𝑐 − 𝑘 + 𝑛 𝑓 + 𝑘 𝛽 𝑘 + 1 = 𝛽 𝑘 − 𝑛 𝑐 + 𝑘 + 𝑛 𝑓 − 𝑘 (1a) (1b)
- 25. 実験 25 P-N Learningの学習に使用するサンプルのラベルを操 作して、𝑃+ , 𝑅+ , 𝑃− , 𝑅− を任意変化させることで、性能評 価を行った 𝑃+ = 𝑅+ = 𝑃− = 𝑅− = 1 − 𝜖 0から0.9の間で変化させる （0.5より小さいと収束） 実験で使用した動画
- 27. 実験 27 𝜖 = 0の時
- 31. 結論 31 P-N Learningというラベル有り及びラベル無しの学習サ ンプルを用いて識別器を学習させる新しいフレームワー クを提案 ラベル無しサンプルが構造的な場合に適用可能 収束条件を明確にした 動画に対して適用し、最初の1フレームのラベルからオン ラインで物体検出器を学習 時空間の制約を使用 20fpsで学習 state-of-the-artの追跡性能