• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    大數(shù)據(jù)環(huán)境下基于遷移學(xué)習(xí)的人體檢測(cè)性能提升方法

    2015-07-22 21:50:36陳駿龍劉亞洲唐曉晴
    現(xiàn)代電子技術(shù) 2015年14期
    關(guān)鍵詞:遷移學(xué)習(xí)大數(shù)據(jù)

    陳駿龍+劉亞洲+唐曉晴

    摘 要: 大數(shù)據(jù)環(huán)境下,可用于人體檢測(cè)的數(shù)據(jù)樣本數(shù)量迅速增長(zhǎng)。這些數(shù)據(jù)樣本在清晰度以及所包含的判別信息等方面有較大差別,導(dǎo)致這些數(shù)據(jù)無法直接使用。傳統(tǒng)基于遷移學(xué)習(xí)的人體檢測(cè)方法主要針對(duì)沒有目標(biāo)域樣本或者目標(biāo)域樣本很少的情況,無法充分利用大量的數(shù)據(jù)樣本。針對(duì)這一問題,提出基于遷移學(xué)習(xí)的人體檢測(cè)性能提升方法,該方法根據(jù)遷移學(xué)習(xí)的思想,利用分類器的特性計(jì)算源樣本與目標(biāo)樣本間的相似性并根據(jù)樣本分布圖,篩選目標(biāo)樣本更新分類器。相對(duì)于已有方法,該方法充分利用了數(shù)據(jù),且在不增加檢測(cè)時(shí)間的基礎(chǔ)上對(duì)檢測(cè)性能有一定的提升。

    關(guān)鍵詞: 大數(shù)據(jù); 遷移學(xué)習(xí); 人體檢測(cè); SVM

    中圖分類號(hào): TN911?34; TP391.4 文獻(xiàn)標(biāo)識(shí)碼: A 文章編號(hào): 1004?373X(2015)14?0001?05

    Performance improving method of human detection based on transfer learning in

    big data environment

    CHEN Junlong, LIU Yazhou, TANG Xiaoqing

    (School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing 210094, China)

    Abstract: In the big data environment, the number of data samples for the human detection increases rapidly. There is a great difference between sharpness and discrimination information in these data samples, so the data cannot be used directly. The traditional human detection methods based on transfer learning are suitable for the situations of no target domain sample or few domain samples only. In view of the above problems, a performance improving method based on transfer learning theory for human detection is proposed. The characteristics of classifier are utilized to calculate the similarity between source samples and target samples according to the idea of transfer learning. The selection of target samples is executed to update the classifier according to sample distribution. Compared with the existing methods, this method makes full use of the data, and improves the detection performance without addition of more time.

    Keywords: big data; transfer learning; human detection; SVM

    0 引 言

    近年來人體檢測(cè)一直是目標(biāo)檢測(cè)的熱門主題,在智能監(jiān)控、車載系統(tǒng)以及交通系統(tǒng)等應(yīng)用中處于核心地位,吸引了許多研究人員從事這一研究。由于人體姿態(tài)、衣著和背景的頻繁變化讓其成為計(jì)算機(jī)視覺研究的一大挑戰(zhàn)。目前用于人體檢測(cè)的方法很多,例如較早的Haar特征[1]、對(duì)其進(jìn)行的優(yōu)化[2?3]、目前流行的HOG特征[4]以及根據(jù)HOG特征改進(jìn)的可變形部件模型(Deformable Part Models)[5]等。

    隨著人體檢測(cè)的發(fā)展,用于人體檢測(cè)的數(shù)據(jù)樣本數(shù)量也在不斷增長(zhǎng)。例如常用數(shù)據(jù)庫(kù):MIT[1],INRIA[4],Caltech[6]等,根據(jù)時(shí)間的變化,數(shù)據(jù)樣本數(shù)量呈現(xiàn)出不斷增長(zhǎng)的趨勢(shì)。2000年建庫(kù)的MIT只有900多行人樣本,2009年建庫(kù)的Caltech有30萬行人樣本,行人樣本數(shù)量增加了300多倍。

    現(xiàn)有方法通常使用一次原始數(shù)據(jù)訓(xùn)練模型,無法應(yīng)對(duì)一些場(chǎng)景的變換。針對(duì)場(chǎng)景的變化,許多研究人員利用遷移學(xué)習(xí)的思想對(duì)行人檢測(cè)進(jìn)行了優(yōu)化。遷移學(xué)習(xí)的目標(biāo)是有效地利用先驗(yàn)知識(shí),達(dá)到更快,更好地解決新問題的目的[7]。目前遷移學(xué)習(xí)已經(jīng)廣泛地應(yīng)用在自然語言處理[8?9]和模式識(shí)別[10?11]等領(lǐng)域。文獻(xiàn)[12]利用遷移學(xué)習(xí)解決了在特定場(chǎng)景下的行人檢測(cè)問題,提出了基于分類一致性的學(xué)習(xí)模型,該模型有效地提高了檢測(cè)效果。還有直接添加樣本的方法[13],這個(gè)方法迭代約10次后性能可達(dá)到最大值。文獻(xiàn)[14?15]根據(jù)目標(biāo)域中兩類樣本的分布,更新源樣本的權(quán)值,本質(zhì)上就是從源樣本中選取與目標(biāo)樣本相似的部分進(jìn)行訓(xùn)練,這個(gè)方法迭代2次后就可達(dá)到最佳效果。上述方法解決了場(chǎng)景變換對(duì)檢測(cè)的影響,但是這些方法無法有效地利用已有目標(biāo)樣本[16?19]。

    本文主要基于遷移學(xué)習(xí)的思想,針對(duì)大量已有的數(shù)據(jù),從樣本選擇方面入手,依據(jù)樣本間的相似性和樣本的分布特征對(duì)數(shù)據(jù)篩選。該方法能夠有效地應(yīng)用已有數(shù)據(jù)樣本,提升檢測(cè)性能。

    1 大數(shù)據(jù)環(huán)境下基于遷移學(xué)習(xí)的人體檢測(cè)

    1.1 人體檢測(cè)所用特征及分類器

    本方法采用方向梯度直方圖(HOG)特征與支持向量機(jī)(SVM)分類器[4]。HOG特征對(duì)圖像的幾何形變和光照的變化都能保持很好的不變性。特征提取方法:將檢測(cè)圖像分為N個(gè)胞元(Cell),由若干個(gè)胞元組合為一個(gè)塊(Block),整副圖像由可重疊的若干塊構(gòu)成,通過統(tǒng)計(jì)每塊包含的胞元在各方向上的梯度分布,組成圖像的HOG特征。支持向量機(jī)(SVM)是一種基于VC維與結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的機(jī)器學(xué)習(xí)方法。通過尋找最佳分類平面,使兩類不同數(shù)據(jù)點(diǎn)間隔最大,從而對(duì)數(shù)據(jù)進(jìn)行分類。SVM對(duì)于小樣本非線性以及高維數(shù)據(jù)有很好的分類效果。

    1.2 遷移學(xué)習(xí)

    遷移學(xué)習(xí)可以從現(xiàn)有的數(shù)據(jù)中遷移知識(shí)幫助學(xué)習(xí)。它的目標(biāo)是利用從一個(gè)環(huán)境中學(xué)到的知識(shí)去幫助新環(huán)境中的學(xué)習(xí)任務(wù),因此遷移學(xué)習(xí)不會(huì)像傳統(tǒng)機(jī)器學(xué)習(xí)那樣做同分布假設(shè)。傳統(tǒng)的機(jī)器學(xué)習(xí)與遷移學(xué)習(xí)的大致流程[20]如圖1所示。遷移學(xué)習(xí)方面的工作主要分為以下3個(gè)部分:同構(gòu)空間下基于實(shí)例的遷移學(xué)習(xí),同構(gòu)空間下基于特征的遷移學(xué)習(xí)與異構(gòu)空間下的遷移學(xué)習(xí)。基于實(shí)例的遷移學(xué)習(xí)具有更強(qiáng)的知識(shí)遷移能力,基于特征的遷移學(xué)習(xí)具有更廣泛的知識(shí)遷移能力,而異構(gòu)空間的遷移學(xué)習(xí)具有廣泛的學(xué)習(xí)與擴(kuò)展能力。

    遷移學(xué)習(xí)常用符號(hào)表示如下:D表示域,由特征空間[χ]與邊緣概率分布P(X) 兩部分組成。其中X是一個(gè)特定的學(xué)習(xí)樣本,[X={x1,x2,…,xn}∈χ],[xi]是對(duì)應(yīng)于這個(gè)學(xué)習(xí)樣本的第i個(gè)特征向量。通常情況下,如果兩個(gè)域不同,那么他們的特征空間或者邊緣概率分布就不同。給定一個(gè)域[D={χ,P(X)}],任務(wù)[T]由兩部分組成:標(biāo)簽空間[Y]和目標(biāo)預(yù)測(cè)函數(shù)[f(?)],表示為[T={Y,f(?)}]。目標(biāo)預(yù)測(cè)函數(shù)[f(?)]只能通過學(xué)習(xí)訓(xùn)練數(shù)據(jù)[{xi,yi}]得到,其中[xi∈X],[yi∈Y]。給定實(shí)例[x],可以用目標(biāo)檢測(cè)函數(shù)[f(?)]預(yù)測(cè)對(duì)應(yīng)的結(jié)果[f(x)]。

    遷移學(xué)習(xí)定義:給定源域[DS]與源域的任務(wù)[TS],目標(biāo)域[DT]與目標(biāo)域的任務(wù)[TT],用源域[DS]與源任務(wù)[TS]的知識(shí),當(dāng)[DS≠DT]或者[TS≠TT],改進(jìn)目標(biāo)域[DT]中的目標(biāo)預(yù)測(cè)函數(shù)[f(?)]的能力。

    圖1 傳統(tǒng)機(jī)器學(xué)習(xí)與遷移學(xué)習(xí)的區(qū)別

    三類遷移學(xué)習(xí):

    (1) 同構(gòu)空間下基于實(shí)例的遷移學(xué)習(xí):其基本思想是源域與目標(biāo)域之間存在差異,但仍有部分樣本之間存在關(guān)系,這部分樣本比較適合訓(xùn)練針對(duì)目標(biāo)域的檢測(cè)器。此類的目標(biāo)是從源域訓(xùn)練數(shù)據(jù)中找出與目標(biāo)域數(shù)據(jù)相似的實(shí)例,將這些實(shí)例遷移到目標(biāo)域的學(xué)習(xí)中去。其關(guān)鍵技術(shù)是如何過濾源域中與目標(biāo)域差異較大的數(shù)據(jù)。

    (2) 同構(gòu)空間下基于特征的遷移學(xué)習(xí):其基本思想是利用互聚類算法同時(shí)對(duì)源域與目標(biāo)域數(shù)據(jù)進(jìn)行聚類,產(chǎn)生一個(gè)公共的特征表示,新的特征比原始特征更優(yōu)。通過把目標(biāo)域數(shù)據(jù)表示在這個(gè)新的空間里,以實(shí)現(xiàn)遷移學(xué)習(xí)。根據(jù)源域中有無有標(biāo)記數(shù)據(jù)又分為基于特征的有監(jiān)督遷移學(xué)習(xí)和基于特征的無監(jiān)督遷移學(xué)習(xí)(自學(xué)習(xí)聚類)。

    (3) 異構(gòu)空間下的遷移學(xué)習(xí)(翻譯學(xué)習(xí)):主要用于解決源域與目標(biāo)域數(shù)據(jù)分別屬于兩個(gè)不同特征空間的問題。

    1.3 基于遷移學(xué)習(xí)思想模型更新策略

    基于遷移學(xué)習(xí)思想模型更新策略主要利用了同構(gòu)空間下基于實(shí)例的遷移學(xué)習(xí)思想并對(duì)其擴(kuò)展,更新策略過程如圖2所示。利用目標(biāo)域與源域的相似性過濾數(shù)據(jù),篩選目標(biāo)域的數(shù)據(jù)用于更新檢測(cè)模型。

    圖2 基于遷移學(xué)習(xí)的模型更新過程

    傳統(tǒng)的遷移學(xué)習(xí)方法根據(jù)樣本特征分布直接篩選源樣本,如圖3所示,樣本點(diǎn)距離表示其相似性,并采用K近鄰等聚類方法選擇樣本[21],K近鄰等方法的參數(shù)等只能根據(jù)經(jīng)驗(yàn)選擇并且對(duì)結(jié)果影響很大。

    圖3 INRIA庫(kù)樣本與VIRAT庫(kù)樣本分布圖

    本文介紹的策略使用分類器對(duì)目標(biāo)域與源域樣本打分,根據(jù)得分分布篩選目標(biāo)域樣本,最終更新模型,很好地克服這一問題,且在衡量相似性方面,傳統(tǒng)方法將特征投影至低維根據(jù)距離確定相似性,其過程中會(huì)損失一定的判別信息;本方法使用分類器得分衡量相似性,對(duì)特征的使用更加充分。

    基于遷移學(xué)習(xí)思想的模型更新策略:給定源域[DS]和源任務(wù)[TS]及目標(biāo)域[DT]和目標(biāo)任務(wù)[TT],當(dāng)[DS]與[DT]相似但不相等,且[TS=TT=T]時(shí),利用分類器對(duì)[DS]與[DT]打分,根據(jù)得分分布,對(duì)目標(biāo)域[DT]進(jìn)行篩選得到[DT′]。

    本文使用通用分類器(SVM)對(duì)各個(gè)樣本打分,根據(jù)得分的分布衡量目標(biāo)域與源域樣本的相似性。如圖4所示,源域與目標(biāo)域樣本所占比例最大的位于各自的中間位置,可以看出這一部分的樣本最能代表各自的域。根據(jù)這個(gè)理論,將目標(biāo)域樣本分為3個(gè)部分:分?jǐn)?shù)最高(max)、分?jǐn)?shù)中等(mid)以及分?jǐn)?shù)最低(min)。根據(jù)圖4可得分?jǐn)?shù)的高低所代表的意義如下:

    (1) max:與源域樣本交集最大,代表[DT]中與[DS]最相似的數(shù)據(jù),根據(jù)SVM分類器的特點(diǎn)可知這一部分?jǐn)?shù)據(jù)樣本距離分類面最遠(yuǎn)(識(shí)別為正樣本),最容易分辨。同時(shí),在同構(gòu)空間中對(duì)目標(biāo)域與源域樣本都有很好的判別能力,因此這部分?jǐn)?shù)據(jù)包含判別信息最多。

    (2) mid:目標(biāo)域中所占比例最大,與源域有一定交集,代表[DT]中與[DS]相關(guān)但有一定區(qū)別的數(shù)據(jù),這部分?jǐn)?shù)據(jù)在[DT]中處于主導(dǎo)地位,在數(shù)量上占有很高比例,根據(jù)SVM分類器的特點(diǎn)可知,這部分樣本位于分類面附近,包含一定的判別信息。

    (3) min:與源域樣本幾乎沒有交集,代表[DT]中與[DS]最不相似的數(shù)據(jù),根據(jù)SVM分類器特點(diǎn)可知這部分?jǐn)?shù)據(jù)距離分類面最遠(yuǎn)(識(shí)別為負(fù)樣本),包含判別信息最少。

    圖4 樣本得分分布圖

    在篩選數(shù)據(jù)時(shí)選擇max與mid樣本,過濾min樣本。min樣本包含判別信息最少,可能會(huì)對(duì)分類器產(chǎn)生負(fù)作用;max樣本包含了大量的判別信息;mid包含了目標(biāo)域的大部分特征。因此在max樣本中加入mid樣本可以使分類器在保證檢測(cè)能力的基礎(chǔ)上向目標(biāo)域遷移。

    具體算法如下所示:

    基于遷移學(xué)習(xí)思想的模型更新策略:

    /*初始化通用檢測(cè)器*/

    (1) 用源域數(shù)據(jù)訓(xùn)練模型:對(duì)[DS]數(shù)據(jù)提取HOG特征,用SVM分類器訓(xùn)練模型;

    (2) 加入難例:用訓(xùn)練好的分類器對(duì)負(fù)樣本重新檢測(cè),把檢測(cè)為正的樣本作為難例;

    (3) 訓(xùn)練通用檢測(cè)器:把難例加入負(fù)樣本,重新訓(xùn)練檢測(cè)器,得到通用檢測(cè)器;

    /*數(shù)據(jù)篩選*/

    (4) 篩選目標(biāo)域數(shù)據(jù):用通用檢測(cè)器對(duì)[DT]打分,按分?jǐn)?shù)把數(shù)據(jù)分為max,mid,min三類,選擇max和mid兩類數(shù)據(jù)構(gòu)成[DT′],過濾min;

    /*更新檢測(cè)器*/

    (5) 對(duì)過濾后得到的數(shù)據(jù)[DT′],提取HOG特征,用SVM訓(xùn)練模型;

    (6) 重復(fù)步驟(2);

    (7) 重新訓(xùn)練得到最終模型:加入步驟(6)中得到的難例,重新訓(xùn)練,得到最終的模型。

    2 實(shí) 驗(yàn)

    2.1 實(shí)驗(yàn)數(shù)據(jù)集與評(píng)測(cè)方法

    源域數(shù)據(jù)選擇的是INRIA行人數(shù)據(jù)庫(kù),INRIA數(shù)據(jù)庫(kù)中行人的正樣本有2 416張,分辨率為64×128,如圖5所示,負(fù)樣本有1 218張,每張負(fù)樣本隨機(jī)取10個(gè)64×128的圖像塊。目標(biāo)域數(shù)據(jù)選擇的是Caltech行人數(shù)據(jù)庫(kù),Caltech庫(kù)是由行車記錄儀拍攝得到的,特點(diǎn)是數(shù)據(jù)量大,用于訓(xùn)練的0~5有6萬多個(gè)正樣本,樣本間質(zhì)量差異較大,如圖6所示,min中樣本肉眼也不易分辨。Caltech中用于測(cè)試的6~10則包含了大量的被遮擋以及低分辨率的行人目標(biāo),是目前最有挑戰(zhàn)的數(shù)據(jù)庫(kù)之一。

    圖5 INRIA庫(kù)正樣本

    圖6 各分段樣本示例

    實(shí)驗(yàn)使用漏檢率(Miss Rate)和每張圖片中誤檢數(shù)(False Positive Per Image,F(xiàn)PPI)來衡量檢測(cè)效果[6]。漏檢率即未檢測(cè)出的行人樣本與行人樣本總數(shù)的比值,如式(1)所示:

    [missrate=FalseNegativeTruePositive + FalseNegative] (1)

    誤檢數(shù)代表將每張待檢測(cè)圖片中錯(cuò)誤標(biāo)記為正樣本的數(shù)量。

    2.2 實(shí)驗(yàn)結(jié)果與分析

    與Dalal提出的基于HOG特征的行人檢測(cè)[4]對(duì)比,在目標(biāo)域中也選擇大約2 000個(gè)正樣本,負(fù)樣本與文獻(xiàn)[4]中的方法一致,對(duì)1 218張INRIA的負(fù)樣本隨機(jī)截取12 180張。

    (1) 檢測(cè)出難例數(shù)量與迭代次數(shù)。Dalal在文獻(xiàn)[4]中提出了在訓(xùn)練出第一個(gè)檢測(cè)器后對(duì)負(fù)樣本檢測(cè),將檢測(cè)出的樣本作為難例加入負(fù)樣本重新訓(xùn)練,提出了迭代1次上述操作后難例減少,并且隨著迭代次數(shù)的增加檢測(cè)效果不變。在篩選數(shù)據(jù)后也重復(fù)了這一步驟,使用max樣本訓(xùn)練所得結(jié)果如圖7所示,可以看出難例與檢測(cè)效果的變化與Dalal所得結(jié)果一致,因此在后面對(duì)比實(shí)驗(yàn)中只選擇加入1次難例的結(jié)果。

    圖7 難例數(shù)量變化與檢測(cè)效果

    (2) 對(duì)數(shù)據(jù)的篩選。如前文所述,將目標(biāo)域數(shù)據(jù)分為max,mid與min,在每個(gè)分段中分別選擇2 000個(gè)正樣本用于訓(xùn)練,并根據(jù)樣本得分分布得出的假設(shè),選擇1 000個(gè)max樣本與1 000個(gè)mid樣本聯(lián)合訓(xùn)練,并且在樣本中隨機(jī)選擇2 000正樣本用作對(duì)比。

    圖8 實(shí)驗(yàn)結(jié)果對(duì)比圖

    如圖8(a)所示,實(shí)驗(yàn)結(jié)果證明了本文的假設(shè)。對(duì)于min來說,幾乎沒有判別信息,可以看出其漏檢率達(dá)到了100%(無檢測(cè)能力),同樣包含了部分min樣本的隨機(jī)選擇(Random)樣本漏檢率為92%,這也說明了大數(shù)據(jù)環(huán)境下數(shù)據(jù)樣本雖然很多,但由于樣本的質(zhì)量有所差異,因此無法直接使用。對(duì)于mid與max樣本漏檢率分別為63%與66%,而選擇max與mid樣本的實(shí)驗(yàn)結(jié)果漏檢率也達(dá)到了63%,證明了本文的假設(shè)是成立的。

    圖8(b)則提供了使用本策略更新后的檢測(cè)器與原始檢測(cè)器的分類效果對(duì)比,相對(duì)于原始基于HOG特征的行人檢測(cè),我們的方法在漏檢率上有了5%的提升。在時(shí)間及計(jì)算量方面,相對(duì)于原始方法,只增加了一次模型訓(xùn)練,檢測(cè)過程與原方法一致,檢測(cè)時(shí)間沒有增加。

    3 結(jié) 語

    大數(shù)據(jù)環(huán)境下用于行人檢測(cè)的數(shù)據(jù)樣本數(shù)量很多,然而由于樣本之間存在差異,這些數(shù)據(jù)無法直接使用。本文針對(duì)這一場(chǎng)景提出了基于遷移學(xué)習(xí)的提升人體檢測(cè)性能的方法,與傳統(tǒng)遷移學(xué)習(xí)方法相比,充分利用了已有數(shù)據(jù)樣本,與傳統(tǒng)人體檢測(cè)方法相比解決了數(shù)據(jù)樣本無法直接使用的問題。

    參考文獻(xiàn)

    [1] PAPAGEORGIOU C, POGGIO T. A trainable system for object detection [J]. International Journal of Computer Vision, 2000, 38(1): 15?33.

    [2] DEPOORTERE V, CANT J, VAN DEN BOSCH B, et al. Efficient pedestrian detection: a test case for svm based categorization [C]// Proceedings of Workshop on Cognitive Vision. [S.l.]: [s.n.] 2002: 1241?1248.

    [3] VIOLA P, JONES M J. Robust real?time face detection [J]. International Journal of Computer Vision, 2004, 57(2): 137?154.

    [4] DALAL N, TRIGGS B. Histograms of oriented gradients for human detection [C]// Computer Vision and Pattern Recognition. Montbonnot:[s.n.], 2005: 886?893.

    [5] FELZENSZWALB P Fl. Object detection with discriminatively trained part?based models [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2010, 32(9): 1627?1645.

    [6] DOLL?R P, WOJEK C, SCHIELE B, et al. Pedestrian detection: A benchmark [C]// Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Miami, FL, USA: IEEE, 2009: 304?311.

    [7] PAN S J, YANG Q. A survey on transfer learning [J]. IEEE Transactions on Knowledge and Data Engineering, 2010, 22(10): 1345?1359.

    [8] URIBE D. Domain adaptation in sentiment classification [C]// Proceedings of 2010 Ninth International Conference on Machine Learning and Applications. [S.l.]: ICMLA, 2010: 111?121.

    [9] ZHUANG F. Concept learning for cross?domain text classification: a general probabilistic framework [C]// Proceedings of the Twenty?Third international joint conference on Artificial Intelligence. [S.l.]: [s.n.], 2013: 654?661.

    [10] GOPALAN R, LI R, CHELLAPPA R. Domain adaptation for object recognition: An unsupervised approach [C]// Procdeedings of 2011 IEEE International Conference on Computer Vision. [S.l.]: ICCV, 2011: 612?634.

    [11] JHUO I H. Robust visual domain adaptation with low?rank reconstruction [C]// Proceedings of 2012 IEEE Conference on Computer Vision and Pattern Recognition. [S.l.]: CVPR, 2012: 6247924.

    [12] 于立萍,唐煥玲.基于分類一致性的遷移學(xué)習(xí)及其在行人檢測(cè)中的應(yīng)用[J].山東大學(xué)學(xué)報(bào):工學(xué)版,2013,43(4):26?31.

    [13] WANG M, WANG X. Automatic adaptation of a generic pedestrian detector to a specific traffic scene [C]// Proceedings of 2011 IEEE Conference on Computer Vision and Pattern Recognition. [S.l.]: CVPR, 2011: 5995698.

    [14] WANG Meng, LI W, WANG X. Transferring a generic pedestrian detector towards specific scenes [C]// Proceedings of 2012 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Providence, RI USA: IEEE, 2012: 3274?3281.

    [15] WANG X, WANG M, LI W. Scene?specific pedestrian detection for static video surveillance [J]. IEEE Trans on PAMI, 2014, 36(2): 361?374.

    [16] MUNDER S, GAVRILA DM. An experimental study on pedestrian classification [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006, 28(11): 1863?1868.

    [17] ESS A, LEIBE B, VAN GOOL L, et al. Depth and appearance for mobile scene analysis [C]// Proceedings of 2007 IEEE 11th International Conference on Computer Vision. [S.l.]: IEEE, 2007: 1?5.

    [18] OVERETT G, PETERSSON L, BREWER N, et al. A new pedestrian dataset for supervised learning [C]// 2008 IEEE Intelligent Vehicles Symposium. [S.l.]: IEEE, 2008: 123?128.

    [19] ENZWEILER M, GAVRILA D M. Monocular pedestrian detection: Survey and experiments [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 31(12): 2179?2195. [10.1109/TPAMI.2008.260].

    [20] DAI Wen?yuan, YANG Qiang, XUE Gui?rong, et al. Boosting for transfer learning [C]// Proceedings of the 24th international Conference on Machine Learning. [S.l.]: ACM, 2007: 234?239.

    [21] LIANG F. A sparse coding based transfer learning framework for pedestrian detection [C]// Proceedings of Advances in multimedia modeling. [S.l.]: Springer. 2013: 272?282.

    猜你喜歡
    遷移學(xué)習(xí)大數(shù)據(jù)
    從認(rèn)知角度探討大學(xué)英語網(wǎng)絡(luò)教學(xué)模式
    基于多特征融合的跨域情感分類模型研究
    奇異值分解與移移學(xué)習(xí)在電機(jī)故障診斷中的應(yīng)用
    基于大數(shù)據(jù)背景下的智慧城市建設(shè)研究
    科技視界(2016年20期)2016-09-29 10:53:22
    一種基于遷移極速學(xué)習(xí)機(jī)的人體行為識(shí)別模型
    五月天丁香电影| 麻豆乱淫一区二区| 亚洲三级黄色毛片| 午夜福利在线观看免费完整高清在| 视频区图区小说| 啦啦啦在线观看免费高清www| 日日爽夜夜爽网站| 亚洲四区av| 亚洲欧美日韩卡通动漫| 久久av网站| 在线观看一区二区三区激情| 女的被弄到高潮叫床怎么办| 国产69精品久久久久777片| 99热全是精品| 亚洲国产成人一精品久久久| 午夜福利视频在线观看免费| 另类亚洲欧美激情| 高清视频免费观看一区二区| 波野结衣二区三区在线| 亚洲av欧美aⅴ国产| 天堂中文最新版在线下载| 啦啦啦啦在线视频资源| 晚上一个人看的免费电影| 欧美成人精品欧美一级黄| 亚洲av在线观看美女高潮| 成年动漫av网址| 国产精品人妻久久久久久| 制服丝袜香蕉在线| 2022亚洲国产成人精品| 九色成人免费人妻av| 97在线视频观看| 精品第一国产精品| 一区二区三区四区激情视频| 久久国产亚洲av麻豆专区| 久久国内精品自在自线图片| 亚洲精品成人av观看孕妇| 久久精品国产亚洲av天美| 久久婷婷青草| 免费av不卡在线播放| 国产永久视频网站| 国国产精品蜜臀av免费| a级毛色黄片| 国产精品国产av在线观看| 久久久久久久久久久久大奶| 黑人猛操日本美女一级片| 久久久久精品性色| 亚洲,欧美精品.| 2022亚洲国产成人精品| 久久精品久久精品一区二区三区| 久久精品国产亚洲av天美| 国产免费现黄频在线看| 十分钟在线观看高清视频www| 精品久久久精品久久久| 国产xxxxx性猛交| 永久网站在线| av又黄又爽大尺度在线免费看| 亚洲精品国产av成人精品| 久久久国产欧美日韩av| 肉色欧美久久久久久久蜜桃| 精品久久国产蜜桃| 在线观看www视频免费| 人妻一区二区av| 超色免费av| 美女xxoo啪啪120秒动态图| 麻豆乱淫一区二区| 国产精品.久久久| 国产麻豆69| 嫩草影院入口| 国产又爽黄色视频| 国产极品天堂在线| 日本爱情动作片www.在线观看| 国产成人欧美| 亚洲人成77777在线视频| 国产麻豆69| 一级毛片我不卡| 三上悠亚av全集在线观看| 久久人人97超碰香蕉20202| 2018国产大陆天天弄谢| 国产激情久久老熟女| 观看av在线不卡| 一区二区av电影网| 国产精品一区二区在线不卡| 免费观看性生交大片5| 午夜激情av网站| 久久这里有精品视频免费| 日韩人妻精品一区2区三区| 国产精品欧美亚洲77777| 亚洲五月色婷婷综合| 免费看不卡的av| 2022亚洲国产成人精品| 一本色道久久久久久精品综合| 久久人人爽人人爽人人片va| 国产熟女午夜一区二区三区| 日韩中文字幕视频在线看片| 国产精品久久久久久av不卡| 香蕉精品网在线| 亚洲成av片中文字幕在线观看 | 成人二区视频| 精品一区二区三卡| 国产毛片在线视频| 黄色配什么色好看| 日产精品乱码卡一卡2卡三| 超色免费av| 日韩制服骚丝袜av| 国产成人av激情在线播放| 国产老妇伦熟女老妇高清| 天堂俺去俺来也www色官网| 亚洲精品久久成人aⅴ小说| 久久av网站| av.在线天堂| 欧美人与善性xxx| 色5月婷婷丁香| 青春草国产在线视频| 久久久久久久亚洲中文字幕| 精品人妻熟女毛片av久久网站| 老司机影院毛片| 亚洲成色77777| 五月伊人婷婷丁香| 国产精品一区二区在线不卡| 免费日韩欧美在线观看| 高清在线视频一区二区三区| 国产精品国产av在线观看| 老司机影院毛片| 一区二区三区精品91| 大码成人一级视频| 少妇猛男粗大的猛烈进出视频| 国产无遮挡羞羞视频在线观看| 伊人久久国产一区二区| 色5月婷婷丁香| 国产永久视频网站| 啦啦啦在线观看免费高清www| 亚洲欧美日韩卡通动漫| 麻豆乱淫一区二区| h视频一区二区三区| 国产熟女欧美一区二区| 男女边摸边吃奶| 亚洲精品色激情综合| 久久午夜福利片| 在线观看www视频免费| 亚洲国产精品999| 日韩伦理黄色片| av国产久精品久网站免费入址| 天天影视国产精品| 在线天堂最新版资源| 看十八女毛片水多多多| 狠狠精品人妻久久久久久综合| 国产精品久久久久久久久免| 亚洲欧美成人精品一区二区| 国产成人精品无人区| 日韩av不卡免费在线播放| av在线观看视频网站免费| 人成视频在线观看免费观看| 日韩伦理黄色片| 免费久久久久久久精品成人欧美视频 | tube8黄色片| 国产高清三级在线| 国产不卡av网站在线观看| 亚洲第一区二区三区不卡| 26uuu在线亚洲综合色| 日韩成人av中文字幕在线观看| 一二三四在线观看免费中文在 | 高清黄色对白视频在线免费看| 亚洲国产精品专区欧美| 亚洲高清免费不卡视频| 狠狠精品人妻久久久久久综合| 久久精品国产亚洲av涩爱| 精品国产一区二区久久| 国产乱来视频区| 亚洲成色77777| 精品国产一区二区久久| 最近中文字幕高清免费大全6| 亚洲国产精品成人久久小说| 国产精品久久久久久精品电影小说| 性色av一级| 免费少妇av软件| 亚洲中文av在线| 久久久亚洲精品成人影院| 亚洲精品乱久久久久久| 日日爽夜夜爽网站| 秋霞在线观看毛片| 午夜福利视频在线观看免费| 久久精品人人爽人人爽视色| 26uuu在线亚洲综合色| 久久久久久久精品精品| 丰满饥渴人妻一区二区三| 18禁国产床啪视频网站| 一级片免费观看大全| 汤姆久久久久久久影院中文字幕| 精品酒店卫生间| 制服诱惑二区| 一区二区三区四区激情视频| 在线免费观看不下载黄p国产| 在线观看免费视频网站a站| 99香蕉大伊视频| 桃花免费在线播放| 国产av国产精品国产| 一二三四在线观看免费中文在 | 秋霞伦理黄片| 久久99一区二区三区| 一本—道久久a久久精品蜜桃钙片| 好男人视频免费观看在线| 久久精品aⅴ一区二区三区四区 | 男女国产视频网站| 国产一区有黄有色的免费视频| 亚洲精品久久久久久婷婷小说| 大片免费播放器 马上看| 国产av一区二区精品久久| 26uuu在线亚洲综合色| a级毛片黄视频| 黄色配什么色好看| 啦啦啦在线观看免费高清www| 在现免费观看毛片| 久久 成人 亚洲| 热re99久久国产66热| 国产成人aa在线观看| 亚洲欧美色中文字幕在线| 中文字幕亚洲精品专区| 国产午夜精品一二区理论片| 日本av免费视频播放| 久久久精品94久久精品| 国产成人aa在线观看| 另类亚洲欧美激情| 2022亚洲国产成人精品| 久久久精品94久久精品| a级毛色黄片| 日本黄色日本黄色录像| 中文字幕另类日韩欧美亚洲嫩草| 美女中出高潮动态图| 久久女婷五月综合色啪小说| 亚洲av中文av极速乱| 国产亚洲最大av| 一级黄片播放器| 午夜福利,免费看| 日本av免费视频播放| 欧美性感艳星| 女人被躁到高潮嗷嗷叫费观| 中国美白少妇内射xxxbb| 香蕉国产在线看| 国产亚洲欧美精品永久| 久久精品国产自在天天线| 黑人猛操日本美女一级片| 久久久久国产精品人妻一区二区| 国产亚洲精品第一综合不卡 | 国产一区二区三区av在线| 免费观看无遮挡的男女| 97在线人人人人妻| 国产免费现黄频在线看| 国产一区二区三区av在线| 久久久久人妻精品一区果冻| 亚洲精品456在线播放app| 岛国毛片在线播放| 亚洲av男天堂| 久久久久网色| 精品人妻一区二区三区麻豆| 黄色视频在线播放观看不卡| 国产深夜福利视频在线观看| 99国产综合亚洲精品| 日韩大片免费观看网站| 精品久久久精品久久久| 亚洲少妇的诱惑av| 久久精品人人爽人人爽视色| 亚洲国产av新网站| av卡一久久| 丝袜喷水一区| 免费高清在线观看日韩| 午夜日本视频在线| 亚洲综合色网址| av电影中文网址| 免费人成在线观看视频色| 久久久亚洲精品成人影院| 搡老乐熟女国产| 妹子高潮喷水视频| 成人亚洲精品一区在线观看| 黑人高潮一二区| 2021少妇久久久久久久久久久| 人人澡人人妻人| 熟女人妻精品中文字幕| 久久久久久久久久成人| 亚洲精品久久成人aⅴ小说| 久久久欧美国产精品| 免费高清在线观看日韩| 亚洲欧洲国产日韩| 成人漫画全彩无遮挡| 最近2019中文字幕mv第一页| 国产av一区二区精品久久| 一级,二级,三级黄色视频| 在线观看美女被高潮喷水网站| 久久久久久久国产电影| 在线天堂最新版资源| 22中文网久久字幕| 亚洲内射少妇av| 另类精品久久| 一本久久精品| 男女午夜视频在线观看 | 午夜激情久久久久久久| 少妇 在线观看| 亚洲国产日韩一区二区| 精品一区二区免费观看| 国产成人a∨麻豆精品| 妹子高潮喷水视频| 免费在线观看完整版高清| 哪个播放器可以免费观看大片| 国产欧美另类精品又又久久亚洲欧美| 五月天丁香电影| 国产成人精品一,二区| 大话2 男鬼变身卡| 日韩三级伦理在线观看| 久久久久网色| 久久婷婷青草| av在线观看视频网站免费| 久久人人爽av亚洲精品天堂| 免费黄网站久久成人精品| 插逼视频在线观看| 久久久国产一区二区| 热re99久久精品国产66热6| 女性生殖器流出的白浆| 中国三级夫妇交换| av女优亚洲男人天堂| 久久精品国产亚洲av涩爱| 91aial.com中文字幕在线观看| 国产精品嫩草影院av在线观看| 夫妻性生交免费视频一级片| 99久久综合免费| 亚洲成av片中文字幕在线观看 | 91久久精品国产一区二区三区| 免费少妇av软件| 成人国语在线视频| 一级爰片在线观看| 日韩中文字幕视频在线看片| 国产又爽黄色视频| 一级片'在线观看视频| tube8黄色片| 精品一区二区三区四区五区乱码 | 免费黄色在线免费观看| 欧美人与善性xxx| 久久精品久久久久久噜噜老黄| 久久综合国产亚洲精品| 熟女人妻精品中文字幕| 蜜桃在线观看..| 久久精品国产自在天天线| 老司机影院成人| 久久久久久久久久成人| 精品久久久久久电影网| 人妻少妇偷人精品九色| 十八禁网站网址无遮挡| 美女xxoo啪啪120秒动态图| 国产又色又爽无遮挡免| 欧美精品av麻豆av| 亚洲欧美色中文字幕在线| 69精品国产乱码久久久| 国产黄频视频在线观看| 亚洲精品乱久久久久久| 秋霞在线观看毛片| 久久久久久久久久久免费av| 777米奇影视久久| 成人二区视频| 制服丝袜香蕉在线| 天美传媒精品一区二区| 国产在线一区二区三区精| 国产极品天堂在线| 超碰97精品在线观看| 国产精品偷伦视频观看了| 人妻系列 视频| 久久99精品国语久久久| 亚洲av综合色区一区| 成人手机av| 99热这里只有是精品在线观看| 亚洲av中文av极速乱| 亚洲精品第二区| 日韩av不卡免费在线播放| 最近的中文字幕免费完整| 日韩av不卡免费在线播放| 久久久久国产精品人妻一区二区| 国产精品偷伦视频观看了| 啦啦啦啦在线视频资源| 26uuu在线亚洲综合色| 国产爽快片一区二区三区| 久久精品国产自在天天线| 18禁观看日本| 女人精品久久久久毛片| 国产xxxxx性猛交| 午夜激情久久久久久久| 久久毛片免费看一区二区三区| 狂野欧美激情性xxxx在线观看| 国产成人午夜福利电影在线观看| 亚洲国产精品一区三区| 欧美日本中文国产一区发布| 国产免费视频播放在线视频| 久久国产精品大桥未久av| 最后的刺客免费高清国语| 全区人妻精品视频| 精品一区二区三区视频在线| 丝袜人妻中文字幕| 婷婷成人精品国产| 26uuu在线亚洲综合色| 内地一区二区视频在线| 91国产中文字幕| 91在线精品国自产拍蜜月| 91精品伊人久久大香线蕉| 亚洲精品久久成人aⅴ小说| 免费观看a级毛片全部| 国产精品国产三级国产专区5o| 你懂的网址亚洲精品在线观看| xxxhd国产人妻xxx| av在线老鸭窝| 国产一区二区在线观看av| a 毛片基地| 国产男女超爽视频在线观看| 久久精品久久精品一区二区三区| 国产乱人偷精品视频| 男女免费视频国产| 久久精品久久精品一区二区三区| 久久国产精品男人的天堂亚洲 | 2021少妇久久久久久久久久久| 精品少妇黑人巨大在线播放| 日本猛色少妇xxxxx猛交久久| 国产乱人偷精品视频| 免费观看a级毛片全部| 亚洲欧美一区二区三区国产| 国产永久视频网站| 天堂俺去俺来也www色官网| 观看av在线不卡| 99久久人妻综合| 爱豆传媒免费全集在线观看| 亚洲丝袜综合中文字幕| 久久热在线av| 国产免费现黄频在线看| 欧美国产精品va在线观看不卡| 纵有疾风起免费观看全集完整版| 99热这里只有是精品在线观看| 日本色播在线视频| 乱码一卡2卡4卡精品| 久久久国产一区二区| 蜜桃在线观看..| av国产精品久久久久影院| 欧美+日韩+精品| 有码 亚洲区| 国产又爽黄色视频| 看非洲黑人一级黄片| 99热6这里只有精品| 中文字幕人妻丝袜制服| av卡一久久| 国产欧美亚洲国产| 欧美日韩视频高清一区二区三区二| 午夜免费观看性视频| 国产一区亚洲一区在线观看| 久久精品国产a三级三级三级| 亚洲熟女精品中文字幕| 国产成人aa在线观看| 久久99一区二区三区| 亚洲av免费高清在线观看| 久久久久久久久久久免费av| 亚洲情色 制服丝袜| 又黄又爽又刺激的免费视频.| 亚洲av.av天堂| 极品少妇高潮喷水抽搐| 亚洲国产av影院在线观看| 乱人伦中国视频| 精品一区二区三区四区五区乱码 | 乱人伦中国视频| 男女下面插进去视频免费观看 | 国产有黄有色有爽视频| 亚洲综合色惰| 高清在线视频一区二区三区| 亚洲av成人精品一二三区| 天天躁夜夜躁狠狠躁躁| 26uuu在线亚洲综合色| 国产爽快片一区二区三区| 国产极品粉嫩免费观看在线| 精品99又大又爽又粗少妇毛片| 久久精品国产自在天天线| 晚上一个人看的免费电影| 中文字幕人妻熟女乱码| 久久久久久久国产电影| 精品国产乱码久久久久久小说| 飞空精品影院首页| 国产熟女午夜一区二区三区| 精品亚洲成国产av| 日韩伦理黄色片| 美女视频免费永久观看网站| 哪个播放器可以免费观看大片| 999精品在线视频| 国产精品无大码| 超碰97精品在线观看| 午夜av观看不卡| 999精品在线视频| 精品国产乱码久久久久久小说| 亚洲国产成人一精品久久久| 日韩伦理黄色片| 天天躁夜夜躁狠狠躁躁| 国产精品无大码| 亚洲欧美一区二区三区国产| 亚洲av日韩在线播放| 精品少妇内射三级| 日韩熟女老妇一区二区性免费视频| 国产1区2区3区精品| 免费在线观看完整版高清| 久久久精品94久久精品| 日本91视频免费播放| 亚洲国产av新网站| 三上悠亚av全集在线观看| 这个男人来自地球电影免费观看 | 亚洲av福利一区| 日本欧美视频一区| 免费不卡的大黄色大毛片视频在线观看| 国产欧美日韩一区二区三区在线| 欧美bdsm另类| 亚洲精品456在线播放app| 中文字幕人妻熟女乱码| av在线播放精品| 插逼视频在线观看| 综合色丁香网| 亚洲精品美女久久久久99蜜臀 | 建设人人有责人人尽责人人享有的| 日本与韩国留学比较| 久久久久久人人人人人| 日韩精品有码人妻一区| 自线自在国产av| 黄片无遮挡物在线观看| 亚洲精品456在线播放app| 日韩精品有码人妻一区| 18禁观看日本| 大香蕉久久成人网| 精品一区二区三区视频在线| 天天躁夜夜躁狠狠久久av| 国产亚洲精品久久久com| 成人免费观看视频高清| 亚洲精品av麻豆狂野| videosex国产| 人妻人人澡人人爽人人| 国产免费福利视频在线观看| 九色亚洲精品在线播放| 大香蕉久久成人网| 国产精品久久久久久久久免| 精品国产乱码久久久久久小说| 亚洲伊人色综图| 亚洲精品乱久久久久久| 日韩一区二区视频免费看| 久久久久人妻精品一区果冻| 亚洲,欧美,日韩| 国精品久久久久久国模美| 国产成人精品在线电影| 春色校园在线视频观看| 精品福利永久在线观看| 国产精品一二三区在线看| av福利片在线| 国产亚洲av片在线观看秒播厂| 少妇的逼好多水| 考比视频在线观看| 久久综合国产亚洲精品| 成人免费观看视频高清| 一本大道久久a久久精品| 交换朋友夫妻互换小说| 国产乱来视频区| 国产欧美日韩综合在线一区二区| 老熟女久久久| av又黄又爽大尺度在线免费看| 成年女人在线观看亚洲视频| 亚洲欧洲精品一区二区精品久久久 | 亚洲一码二码三码区别大吗| 亚洲五月色婷婷综合| 中文字幕人妻熟女乱码| 国产日韩欧美亚洲二区| 国产成人精品婷婷| 国产毛片在线视频| 亚洲成人手机| 边亲边吃奶的免费视频| 久久久久网色| 在线观看免费日韩欧美大片| 免费黄网站久久成人精品| 精品久久蜜臀av无| 宅男免费午夜| 国产1区2区3区精品| 制服丝袜香蕉在线| 欧美成人午夜精品| 免费在线观看黄色视频的| 丝袜喷水一区| 欧美精品av麻豆av| 大香蕉久久网| 欧美 亚洲 国产 日韩一| 蜜臀久久99精品久久宅男| 女人被躁到高潮嗷嗷叫费观| 一本—道久久a久久精品蜜桃钙片| 成人午夜精彩视频在线观看| 亚洲欧美日韩卡通动漫| 成年美女黄网站色视频大全免费| 久久久久国产精品人妻一区二区| 看非洲黑人一级黄片| 国产精品久久久av美女十八| 青春草亚洲视频在线观看| 欧美日本中文国产一区发布| 中文字幕精品免费在线观看视频 | 日韩 亚洲 欧美在线| 五月伊人婷婷丁香| 国产一区有黄有色的免费视频| 久久午夜综合久久蜜桃| 看十八女毛片水多多多| 亚洲欧美中文字幕日韩二区| 五月伊人婷婷丁香| 国产日韩欧美在线精品| 欧美日韩视频高清一区二区三区二| 人体艺术视频欧美日本| 99热6这里只有精品| 久久这里只有精品19| 久久精品aⅴ一区二区三区四区 | 国产精品一区二区在线不卡| 亚洲成色77777| 国产成人aa在线观看| 免费在线观看黄色视频的| 夜夜爽夜夜爽视频| 校园人妻丝袜中文字幕| 亚洲第一区二区三区不卡| 黄网站色视频无遮挡免费观看| 精品一区二区免费观看| 久久久欧美国产精品|