《中國人工智能學會通訊》——11.69 基于主動樣本選擇的判别式跟蹤 方法

上面提出的基于标簽傳播模型的判别式跟蹤方法，該方法與大多數判别式跟蹤方法一樣，在學習分類器時利用采樣和加标簽兩個獨立的政策選擇訓練樣本。這種常用的訓練樣本選擇政策存在以下兩個問題。第一，根據已有的跟蹤結果為樣本估計标簽容易引起誤差累積。跟蹤結果存在輕微的不準确都能導緻樣本标簽的錯誤估計，進而幹擾分類器的學習。第二，樣本的采集是無目的性的。采集到的樣本并不一定含有提高分類器性能的有利資訊，導緻分類器性能具有不确定性。現有的大部分判别式跟蹤方法主要關注于如何從标簽不準确的訓練樣本中訓練得到性能穩定的分類器，即主要關注于第一個問題。本節主要關注第二個問題。

如圖 2 所示，受主動學習模型的啟發，提出一種新的基于主動樣本選擇的判别式跟蹤方法，目的是為訓練樣本選擇與分類器學習建立統一的目标函數。基于拉普拉斯正則化最小二乘（LaplacianRegularized Least Squares，LapRLS）半監督學習架構，在樣本采樣和标簽配置設定之間引入主動樣本選擇的政策來自動選擇最有資訊量的樣本，并利用選擇的樣本來學習分類器，使其充分的利用無标簽樣本的資訊并保留樣本空間的局部幾何結構。為提高跟蹤算法的自适應性，利用先驗學到的分類器為選擇出的部分樣本配置設定标簽，其他樣本作為無标簽資料。這等同于在半監督學習中添加了很強的監督限制，可以有效地減輕跟蹤漂移問題。

本節提出的跟蹤方法相比已有的方法具有如下優勢。第一，訓練樣本的選擇與分類器的學習不再是獨立的兩個部分，選擇的訓練樣本是最有助于分類器學習的樣本，能顯著提高分類器性能。第二，由主動學習選出的樣本是最具代表性的樣本，很大程度上減少了訓練樣本的數量，保證了跟蹤方法的效率。第三，使用主動學習選擇訓練樣本，一定程度上減輕了誤差累積。根據主動學習理論，用于分類器學習的訓練樣本是最小化分類器預測方差的樣本，進而排除了易混淆的訓練樣本。