计算机应用
計算機應用
계산궤응용
Journal of Computer Applications
2015年
9期
2596-2601
,共6页
瀑布型分类器%自举%负样本%训练时间
瀑佈型分類器%自舉%負樣本%訓練時間
폭포형분류기%자거%부양본%훈련시간
cascade classifier%bootstrap%negative sample%training time
针对矩阵式瀑布分类器学习算法在负样本自举过程中无法快速自举出训练所需的高质量样本,自举过程严重影响整体学习效率及最终检测器性能等问题,提出了一种高效学习算法——负样本信息继承的矩阵式瀑布分类器高效学习算法.其自举负样本过程为样本继承与层次自举相结合,首先从训练上一层强分类器所用的负样本集中继承有效负样本,样本集不足部分再从负图像集中自举.样本继承压缩了有效样本的自举范围,可以快速自举出训练所需样本;并且自举负样时对样本进行预筛选,增加了样本复杂度,提升了最终分类器性能.实验结果表明:训练完成方面,本算法比矩阵式瀑布分类器算法节省20h;检测性能方面,比矩阵式瀑布型分类器高出1个百分点;与其他17种人体检测算法性能相比也有很好的性能表现.所提算法较矩阵式瀑布分类器学习算法在训练效率及检测性能上都有很大提升.
針對矩陣式瀑佈分類器學習算法在負樣本自舉過程中無法快速自舉齣訓練所需的高質量樣本,自舉過程嚴重影響整體學習效率及最終檢測器性能等問題,提齣瞭一種高效學習算法——負樣本信息繼承的矩陣式瀑佈分類器高效學習算法.其自舉負樣本過程為樣本繼承與層次自舉相結閤,首先從訓練上一層彊分類器所用的負樣本集中繼承有效負樣本,樣本集不足部分再從負圖像集中自舉.樣本繼承壓縮瞭有效樣本的自舉範圍,可以快速自舉齣訓練所需樣本;併且自舉負樣時對樣本進行預篩選,增加瞭樣本複雜度,提升瞭最終分類器性能.實驗結果錶明:訓練完成方麵,本算法比矩陣式瀑佈分類器算法節省20h;檢測性能方麵,比矩陣式瀑佈型分類器高齣1箇百分點;與其他17種人體檢測算法性能相比也有很好的性能錶現.所提算法較矩陣式瀑佈分類器學習算法在訓練效率及檢測性能上都有很大提升.
침대구진식폭포분류기학습산법재부양본자거과정중무법쾌속자거출훈련소수적고질량양본,자거과정엄중영향정체학습효솔급최종검측기성능등문제,제출료일충고효학습산법——부양본신식계승적구진식폭포분류기고효학습산법.기자거부양본과정위양본계승여층차자거상결합,수선종훈련상일층강분류기소용적부양본집중계승유효부양본,양본집불족부분재종부도상집중자거.양본계승압축료유효양본적자거범위,가이쾌속자거출훈련소수양본;병차자거부양시대양본진행예사선,증가료양본복잡도,제승료최종분류기성능.실험결과표명:훈련완성방면,본산법비구진식폭포분류기산법절성20h;검측성능방면,비구진식폭포형분류기고출1개백분점;여기타17충인체검측산법성능상비야유흔호적성능표현.소제산법교구진식폭포분류기학습산법재훈련효솔급검측성능상도유흔대제승.
