科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对运动目标检测过程中由于背景复杂、目标易发生遮挡而产生的漏检问题。本文提出一种基于无监督缺失值预测的运动目标检测算法，将漏检的目标视为标签数据中的缺失值，利用待检测目标的类别和数量，并以无监督的生成对抗插补网络（Generative Adversarial Imputation Nets，GAIN）通过已获取的标签数据对缺失值进行预测，以牺牲较少的精确率为代价大幅提高召回率。最后，在小样本的牛只特征部位数据集上的实验结果表明，在标签数据缺失率低于40%的情况下，缺失值预测的准确率约为95%，对于不同程度的被遮挡目标，检测的平均F1分数为0.92。可见该方法在小样本条件下对于运动目标具有较好的检测性能，可减小实际应用中的不确定性，以及算法对样本数据的依赖性，改善运动目标检测过程中的漏检问题。
- 单位
