영상 추적을 위한 온라인 허프 포레스트

Abstract

On-line Hough forests are successful on-line classifier used in tracking-by-detection. It has shown comparable performance compared to other state-of-the-art tracking-by-detection algorithms. In on-line Hough forests, each tree grows recursively, which makes earlier nodes to be split with insufficient statistics. It increases the risk that the nodes become wrongdoing, which leads to limit the strength of the tree. In addition, the effect of wrongdoing nodes is only compensated by replacing the tree with new tree having lower out-of-bag error. To overcome these limitations, we propose a novel algorithm collecting and accumulating all observations, hence keeping fully on-line learning scheme, of course. In proposed on-line Hough forests, each node converts all observations to statistics, and stores the statistics in fix-sized tables like on-line random forests. Then, it is possible to correct poor splits by deficient observations as well as to adapt the splits over time. We maintain the tables in not only the leaf nodes but also all internal nodes. We also introduce the learning rate to avoid the saturation of the statistics in each node. Experiments show our algorithm achieves equal to or better overlapping ratios and center location errors than those of the previous work, and has competitiveness to other state-of-the-art trackers.

물체 추적은 컴퓨터 비전 분야에서 가장 오랜 연구 역사를 지닌 문제 중 하나이다. 이를 풀어내기 위한 다양한 방법들이 제안되어 왔으며 수년 전에 물체 검출기를 이용한 추적 방법이 제안 되었는데 이는 검출기에 사용되는 분류기를 온라인으로 학습하는 것에서 시작한다.이에 따라 과거 몇년 동안 서포트 벡터 머신 (Support Vector Machine) 이나 부스팅 (Boosting) 등을 온라인으로 학습하는 방법이 제안되었고, 최근에 폭발적인 인기를 얻고 있던 랜덤 포레스트 (Random forests) 도 예외는 아니었다.트리를 학습할 때, 매 노드마다 지역적으로 최적화된 분화를 선택하는 것을 반복하며 진행하기 때문에 트리를 온라인으로 학습하는 것은 쉽지 않은 문제이다. 기존의 온라인 알고리즘의 공통되는 부분은 데이터가 도착함에 따라 트리를 점진적으로 학습 및 성장해 나가는 것으로, 이 방법의 가장 큰 걸림돌은 노드 분화를 위해 관찰해야할 데이터의 수를 결정할 수 없다는 것이다. 확률적 모델링을 통해 얻어진 근사값은 복잡할 뿐 아니라 트리의 성장이 지체될 정도로 너무 많은 데이터의 관찰이 필요하였기 때문에, 실험을 통해 적정값을 얻고자 하는 노력이 있었다. 하지만 이렇게 만들어진 분화들이 과연 좋은 분화인지 확인할 방법이 없었고, 그 결과 포레스트의 오류를 줄이기 위한 최선의 방법은 계속해서 새로운 트리를 학습하고 이후에 새로운 트리의 오류가 이전의 트리들의 오류들보다 낮을 때 기존의 트리를 교체하는 것이었다.이에 우리는 이 논문에서 관찰한 모든 데이터를 필요한 통계값으로 변환한 뒤 저장하고 이를 사용하는 알고리즘을 제안한다. 이 알고리즘에 따르면 과거 잘못 분화된 노드나, 시간에 따라 변한 개념에 의해 유효하지 않게 된 노드도 다시 올바르게 분화된다. 물론 이 과정에서 완전한 온라인 학습의 틀을 벗어나지 않으며, 그 결과 변환 과정 덕분에 축적된 데이터 량과 저장공간 사이엔 선형적인 관계가 아닌 상수 관계가 성립한다. 또한 원활한 물체 추적을 위해 시간의 변화에 따른 개념의 변화를 도입하여 학습률을 정의한다.