25、目标识别与跟踪中的集成学习技术解析

目标识别与跟踪中的集成学习技术解析

1. 引言

如今，在谷歌图片搜索中进行简单查询就能返回数百万条结果，但这并非意味着现有的目标识别视觉技术已达到很高水平。人类能够轻松识别目标，而人工视觉系统在准确性、速度和通用性方面远不及人类视觉。解决目标识别问题具有巨大的潜在应用价值，如基于内容的图像检索、目标跟踪、机器人导航和自动监控等。

目标识别通常被描述为一个高维分类问题，可用的训练样本数量（与数据维度相比）较少，因此构建一个高效的单一分类规则极为困难，甚至几乎不可能。集成学习是一种通过组合弱预测器或基础分类器来构建准确分类器的方法。在过去十年中，集成学习方法在各个领域得到了广泛研究。

集成学习的概念是使用多个学习器聚合多个预测结果，也可以直观地理解为将复杂的分类问题（如计算机视觉问题）分解为较小的问题来解决。计算机视觉应用通常会遇到高维特征向量和少量训练样本的情况，为解决这些问题，集成学习技术在计算机视觉应用中变得非常流行，多项研究表明，分类器的集成显著优于单个基础分类器。

在近似目标函数$f(x) : R^N → R$的任务中，集成学习理论使用$L$个不同的预测器（基础或弱分类器）$c_k(x)$（$k = 1..L$）以$C(x) = g(c_1(x), c_2(x), …, c_L(x))$的形式来近似目标函数。这引发了两个基本问题：
1. 如何生成基础分类器？
2. 如何将基础分类器的结果组合在一起？

集成是一组弱且兼容的分类器，基础分类器应各不相同，其输出需以适合组合分类器使用的方式呈现。

2. 基础分类器的生成方式

• 不同初始化