Download as PDF, PPTX
![[CV勉強会]Active Object Localization with Deep Reinfocement Learning](https://cdn.slidesharecdn.com/ss_thumbnails/20160204objectdetectionrl-160206032348-thumbnail.jpg?width=640&height=640&fit=bounds)
![SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習](https://cdn.slidesharecdn.com/ss_thumbnails/200611ssii2020os2weaksupervision-200609142553-thumbnail.jpg?width=640&height=640&fit=bounds)
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
- 4.
- 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
- 6.
- 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
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
- 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）
- 16.
- 17.
- 18.
- 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
- 20.
- 21. 収束条件 21 False Positive数 False Negative数 𝛼𝑘 + 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 + 𝑛𝑐 + + 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)
- 24.
- 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
- 26.
- 27. 実験 27 𝜖 =0の時
- 28.
- 29.
- 30.
- 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