|
|
题目：
雅宝题库答案：
****此区域为收费内容**** 需支付 1 知识币后可查看，1币=0.01元查看答案
雅宝题库解析：
由于在安防监控、视频会议、图像分析等方面具有广泛的应用前景，基于图像信息的目标检测是计算机视觉和模式识别领域的核心题目之一。 在目标检测题目中，特别是在基于Boosting的级联分类器的目标检测框架中，分类题目对于正负类是非对称的。该非对称性可以分为四个方面：不同的样本数量、非对称的分类精度要求、不一致的概率分布复杂度和不平衡的节点训练目标。因此，目标检测题目中的分类算法需要完成非对称的学习目标，这区别于传统分类算法（例如AdaBoost）的最小化整体分类误差的目标。虽然一些研究工作试图解决目标检测题目中的非对称学习的要求，但是其中大部分都在理论或实用方面存在缺陷。目前还缺少理论系统的分类算法，解决非对称学习题目。 本论文的主要贡献为三组基于Boosting的分类算法，从不同出发点解决非对称学习题目，简称为ME cascade+LDA/LAC，FisherBoost/LACBoost和AsymBoosttc1 / AsymBoosttc2。1. ME cascade+LDA/LAC算法将费舍尔线性判别分析（Linear Discriminate Analysis，LDA）和线性非对称分类（Linear Asymmetric Classification，LAC）作为Boosting算法的后处理技术，引入ME级联分类器结构中。该方法集成了LDA/LAC和ME级联分类器各自的优点。(1) ME级联分类器结构在当前节点进行判别时综合了前面节点的判别分数，从而减少了信息的丢失。(2) 作为Boosting的后处理技术，LDA/LAC以非对称的方式重新学习弱分类器的组合系数。同时本文验证了ME级联分类器与LDA/LAC在性能上具有互补性。2. FisherBoost和LACBoost算法是两个相互关联的Boosting算法，它们直接优化节点训练目标。这两种算法可以用于选取更有效的特征集，以满足级联分类器的节点学习目标。该Boosting算法是通过列生成技术实现的。本文还推导了一个简化的有偏极小化极大概率机（BMPM），并证明与LAC/LACBoost等价。重要的是，这个新的解释弱化了LAC/LACBoost对数据分布的假设条件。同时，在目标检测题目中，LDA/FisherBoost可以近似的看作LAC/LACBoost的L2-范数正则化版本。本文还通过改变正则化的方式，由Boosting算法衍生出一个核方法。3. AsymBoosttc1 和AsymBoosttc2算法直接优化L1-范数正则化的非对称代价函数。不同于传统Boosting算法阶段式的权重更新方式，该Boosting算法以全局纠正的方式更新权重，从而更有效的进行特征选择。列生成技术被用于解该优化题目。与传统的Boosting算法不同，新算法在训练级联分类器时可以剔除无效的弱分类器，从而在提高检测性能的同时减少节点分类器中的弱分类器的个数。 本文通过多种形式的实验，对所提出的算法进行了正确性验证和检测性能评估。首先，在合成数据上的实验直观的显示了新算法的特性及其与传统算法的主要区别。然后，本文比较了新算法和其他算法在目标检测题目上的性能。两个常用的训练/测试基准数据库被作为评价标准，它们分别为MIT+CMU人脸数据库和INRIA行人数据库。比较结果显示，新算法在两个数据集上都取得了优于其他流行算法的性能。 |
上一篇：复合材料层合结构分层题目的理论模型及其力学行为研究下一篇：大型砂尘试验系统优化及流动特性研究
|
发表于 2022-9-2 18:11:03
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
QQ登录
