Online Real Boostingによる物体追跡のための特徴選択

摘要

Many pattern classification and machine learning algorithms are formulated as mathematical optimization problems. These optimization problems are often parametrized by one or more problem parameters such as regularization parameter. In practical application, we often need to train several models by solving several optimization problems with different problem parameters. The methods for studying the relation between problem parameters and optimal solutions are called optimal solution path-following methods. In this talk, we present recent advances in optimal solution path-following methods in the context of pattern recognition and machine learning including some contributions by the authors and their colleagues.%近年，物体検出や物体追跡において，AdaBoostやReal AdaBoostなどのブースティングが注目されており，オンライン学習へ応用されている．AdaBoostによるOnline Boostingは追跡対象に適した弱識別器を繰り返し処理により選択する．そのため，オンライン学習の処理コストが大きく，現時刻のサンプルへの過学習が生じやすい．一方，Real AdaBoostによるOnline Real Boostingは弱識別器をグループ分割し，各グループから最適な弱識別器を選択する．これにより，処理コストを削減することともに，過学習を抑制している．しかしながら，これまで，どのようにグループ分割を行い，特徴選択するのが良いか論じられていない．そこで，本稿では，複数の弱識別器のグループ分割方法を提案し，それによる追跡精度への影響について調査する．その結果，弱識別器を特徴の種類ごとにグループ分割した場合に，追跡精度が最も向上することが分かった．