11.69 基于主动样本选择的判别式跟踪 方法

上面提出的基于标签传播模型的判别式跟踪方法，该方法与大多数判别式跟踪方法一样，在学习分类器时利用采样和加标签两个独立的策略选择训练样本。这种常用的训练样本选择策略存在以下两个问题。第一，根据已有的跟踪结果为样本估计标签容易引起误差累积。跟踪结果存在轻微的不准确都能导致样本标签的错误估计，进而干扰分类器的学习。第二，样本的采集是无目的性的。采集到的样本并不一定含有提高分类器性能的有利信息，导致分类器性能具有不确定性。现有的大部分判别式跟踪方法主要关注于如何从标签不准确的训练样本中训练得到性能稳定的分类器，即主要关注于第一个问题。本节主要关注第二个问题。

如图 2 所示，受主动学习模型的启发，提出一种新的基于主动样本选择的判别式跟踪方法，目的是为训练样本选择与分类器学习建立统一的目标函数。基于拉普拉斯正则化最小二乘（LaplacianRegularized Least Squares，LapRLS）半监督学习框架，在样本采样和标签分配之间引入主动样本选择的策略来自动选择最有信息量的样本，并利用选择的样本来学习分类器，使其充分的利用无标签样本的信息并保留样本空间的局部几何结构。为提高跟踪算法的自适应性，利用先验学到的分类器为选择出的部分样本分配标签，其他样本作为无标签数据。这等同于在半监督学习中添加了很强的监督约束，可以有效地减轻跟踪漂移问题。

本节提出的跟踪方法相比已有的方法具有如下优势。第一，训练样本的选择与分类器的学习不再是独立的两个部分，选择的训练样本是最有助于分类器学习的样本，能显著提高分类器性能。第二，由主动学习选出的样本是最具代表性的样本，很大程度上减少了训练样本的数量，保证了跟踪方法的效率。第三，使用主动学习选择训练样本，一定程度上减轻了误差累积。根据主动学习理论，用于分类器学习的训练样本是最小化分类器预测方差的样本，从而排除了易混淆的训练样本。