光电工程
光電工程
광전공정
OPTO-ELECTRONIC ENGINEERING
2011年
10期
66-71
,共6页
核函数%图像分类%多尺度特征%核空间线性学习器%Adaboost%距离学习
覈函數%圖像分類%多呎度特徵%覈空間線性學習器%Adaboost%距離學習
핵함수%도상분류%다척도특정%핵공간선성학습기%Adaboost%거리학습
针对传统基于SVM分类器的多核学习方法优化参数多、优化过程复杂、计算量大的缺点,本文提出基于Real Adaboost的多核学习方法解决通用目标分类与识别问题.该方法根据核函数能将高维特征映射到低维空间的特性,采用核函数空间上的线性平面分割构建弱分类器,并用Real Adaboost学习框架对弱分类器进行学习.先用分层特征算子PHOG和PHOW分别提取图像不同尺度的形状和表观信息,并用核函数计算特征距离,然后在核空间上构建线性弱学习器池,最后用Real Adaboost算法学习得到强分类器.实验结果表明,该方法有效提高了图像分类的准确率.
針對傳統基于SVM分類器的多覈學習方法優化參數多、優化過程複雜、計算量大的缺點,本文提齣基于Real Adaboost的多覈學習方法解決通用目標分類與識彆問題.該方法根據覈函數能將高維特徵映射到低維空間的特性,採用覈函數空間上的線性平麵分割構建弱分類器,併用Real Adaboost學習框架對弱分類器進行學習.先用分層特徵算子PHOG和PHOW分彆提取圖像不同呎度的形狀和錶觀信息,併用覈函數計算特徵距離,然後在覈空間上構建線性弱學習器池,最後用Real Adaboost算法學習得到彊分類器.實驗結果錶明,該方法有效提高瞭圖像分類的準確率.
침대전통기우SVM분류기적다핵학습방법우화삼수다、우화과정복잡、계산량대적결점,본문제출기우Real Adaboost적다핵학습방법해결통용목표분류여식별문제.해방법근거핵함수능장고유특정영사도저유공간적특성,채용핵함수공간상적선성평면분할구건약분류기,병용Real Adaboost학습광가대약분류기진행학습.선용분층특정산자PHOG화PHOW분별제취도상불동척도적형상화표관신식,병용핵함수계산특정거리,연후재핵공간상구건선성약학습기지,최후용Real Adaboost산법학습득도강분류기.실험결과표명,해방법유효제고료도상분류적준학솔.
