定义
隐空间支持向量机(Latent support vector machine,LSVM)的概念最初由Felzenszwalb等人在论文“Object Detection with Discriminatively Trained Part Based Model”中提出,目前引用量已近万。当相对于LSVM,该方法的另一个名字可形变模型(Deformable part models,DPM)更广为人知。
在目标识别领域,即便是同一类型的待识别物体也具有一定程度的差异性。例如在人脸识别任务中,正脸、侧脸具有一定的差异而面部表情的不同可能也会对识别结果产生影响。为了解决这个问题,DPM作为一种可形变的混合模型被提出。其将待识别目标分为多个子模块,结合多个模块的识别结果进行目标的识别。如图1所示:红色矩形代表根滤波器进行整体目标位置的检测,蓝色矩形则表示多个子滤波器对部分模块的识别,且每个子模块形状能够进行变化,整体构成了一种星状结构模型。
图 1 DPM星状结构模型
虽然提出了子模块的概念,但在模型训练过程中仅具有根滤波器对应的标注信息,子滤波器缺乏相应的标注信息如何进行训练?为了解决这个问题,DPM工作的作者提出了LSVM。
分类器对样本x进行打分,其中z代表子部件对应的标注信息,这部分信息是缺失的。β是模型中的参数。
通过最小化下式来对β进行求解。
其中为具有标注的样本集合。如何在标注缺失的情况下进行求解呢?通过迭代进行的两个步骤即可得到模型参数β。
1、对缺失信息进行初始化,假设假设身体部件的位置都是固定的,然后用传统的SVM来训练身体部位分类器。
2、使用训练得到的分类器,在每个训练样例中找到最佳的身体部位所在位置。
参考文献
[1] Felzenszwalb P F, Girshick R B, McAllester D, et al. Object detection with discriminatively trained part-based models[J]. IEEE transactions on pattern analysis and machine intelligence, 2009, 32(9): 1627-1645.
[2] http://lear.inrialpes.fr/~oneata/reading_group/dpm.pdf