基于动态权重裁剪的快速Adaboost训练算法

提出了基于动态权重裁剪的快速Adaboost训练算法,当训练数据集较大时,可以大大提高训练速度.基于动态权重裁剪的Adaboost训练算法在每次迭代过程中舍去权重较小的大多数样本,保留权重较大的少数样本进行训练,迭代完成后检查这个利用少量样本训练得到的弱分类器在所有样本上的分类性能,如果错误率大于0.5,则扩大样本的数量重新训练本次迭代的弱分类器.由于在大多数迭代过程中,只利用了少量样本进行弱分类器的训练,从而提高了整个算法的训练速度.     

Adaboost人脸检测方法及其并行实现

人脸检测是计算机视觉领域的基础研究,在视频监控、自动人脸识别等领域有着重要应用价值.根据Adaboost方法的人脸检测算法因快速和检测率高,得到了成功的应用.但是方法训练出的检测器对倾斜的人脸存在检测盲区,同时Adaboost算法训练的计算复杂度高,需要存取的数据量非常大,导致训练过程显得非常缓慢.针对上述问题,为了提高检测精度和速度,提出了两种新的特征模板加入到训练过程中,改进了其对倾斜人脸的检测效果.并给出了训练过程的并行算法,大大减少了训练时间,为解决训练耗时问题提供了一个新的途径.     

基于Adaboost算法的软件缺陷预测模型

将Adaboost算法应用到软件缺陷预测模型中是软件缺陷预测的一种新思路,Adaboost算法原理通过训练多个弱分类器构成一个更强的级联分类器,有效地避免了过拟合问题。通过采用美国国家航空航天局(NASA)的软件缺陷数据库的仿真实验,分别对原始BP神经网络算法和Adaboost算法进行分析对比,其中Adaboost的弱分类器采用神经网络。实验结果表明,Adaboost级联分类器有效地提高了软件缺陷预测模型的预测性能。     

基于Adaboost算法的交通事件检测

提出一种Adaboost BP神经网络的交通事件检测方法:以上下游的流量和占有率作为特征,用BP神经网络作为分类器进行交通事件的自动分类与检测.在BP神经网络的训练过程中,提出一种新的训练算法,提高了神经网络的分类能力.为了进一步提高神经网络的泛化能力,采用改进的Adaboost算法,进行网络集成.运用Matlab进行仿真分析.结果表明所提出的交通事件检测算法具有较好的检测性能.     

标记样本的Adaboost算法

提升(Boost)学习算法中,可以划分为多数提升和Adaboost两类.Adaboost是目前比较流行的分类方法,目前在多媒体和计算机视觉领域得到了广泛的应用.文中介绍了Adaboost方法的原理与方法,通过在提升过程中对训练集中部分样本的标记,提出了一种新的Adaboost算法的训练方法,并且用实验数据对该方法进行验证.该方法通过对前一轮提升后权值较小的那部分样本作标记,增加了后一轮提升抽样的有效容量,从而使算法中的分类器能够更快速地关注那些很难分类的样本.     

Adaboost算法及其在实时视频流中的应用

针对Adaboost算法在实时视频流中的应用,本文基于Adaboost算法的人脸检测原理,即通过提取图像中的haar特征,在训练过程中选出最优特征,转换成弱分类器,优化组合于人脸检测.最终,利用opencv的开发包,通过VC++软件编程实现基于Adaboost算法实时视频流中的人脸检测.     

基于CUDA的Adaboost算法并行实现

Adaboost算法是一种用于目标检测的有效算法,自2001年应用于人脸检测以来,陆续有各种改进算法提出,旨在提高检测精度和适用范围.然而,训练一个Adaboost分类器仍然是一个很耗时间的过程.目前,CUDA与Adaboost结合的研究主要集中于在已有分类器的基础上加速目标检测的过程,构建实时目标检测系统.本文对Ad...     

基于特征裁剪的双阈值Adaboost人脸检测算法

针对传统Adaboost算法存在训练耗时长的问题,提出一种基于特征裁剪的双阈值Adaboost算法人脸检测算法。一方面,使用双阈值的弱分类器代替传统的单阈值弱分类器,提升单个弱分类器的分类能力;另一方面,特征裁剪的Adaboost算法在每轮训练中仅仅利用错误率较小的特征进行训练。实验表明基于特征裁剪的双阈值Adaboost人脸检测算法通过使用较少的特征和减少训练时的特征数量的方式,提高了算法的训练速度。     

基于分类器相关性的Adaboost人脸检测算法

为了提高传统Adaboost算法的集成性能,提出一种基于分类器相关性的Adaboost算法.该方法在弱分类器的训练过程中加入分类器的相关性判定,使每一个弱分类器的生成不仅与当前分类器有关,而且与前面若干个分类器相关,并将由此生成的弱分类器组合成新的强分类器.在CMU正面人脸检测集上的仿真结果表明,较传统的Adaboost算法,基于分类器相关性的Adaboost人脸检测算法具有更好的检测效率,同时降低了误检率.     

基于改进Adaboost集成学习的空间目标识别

针对空间目标的不合作性特点以及Adaboost集成学习算法的过拟合问题, 提出了一种基于组合特征和改进Adaboost的空间目标图像识别算法. 将空间目标图像的几何特征和变换特征进行融合, 从不同的方面更精确地描述目标信息, 并对Adaboost算法进行改进, 根据样本在权重上的分布情况, 在训练时进行分段更新权重, 从而缓解分类器的过拟合现象, 提高目标识别的稳定性. 通过仿真实验证明, 与传统的Adaboost算法相比, 本文算法在空间目标图像识别中取得了更好的效果.     

基于HAB优化算法的图像语义目标对象提取研究

提出了一种基于优化Adaboost算法(HAB优化算法)的半监督图像语义目标对象获取方法。在分析Adaboost算法评估函数不足的基础上,设计并实现HAB优化算法。对比实验结果表明,HAB优化算法在训练误差与抗干扰能力方面具有更好的性能。在此基础上,研究应用HAB优化算法的图像语义目标对象获取方法,从图像对象特征预处理、对象识别器训练、语义对象获取3个方面进行论述。通过实验分析,该方法具有良好的图像目标对象获取性能。     

一种Adaboost快速训练算法

为解决基于Adaboost算法的人脸检测训练耗时的问题,提出一种Adaboost快速训练算法。基于原算法,在训练中使用序列化表格选取弱特征,在一轮训练结束后不进行样本权值更新,直接在已选分类器的基础上利用直方图统计的方法进行下一轮训练。实验证明该算法有较高的训练效率。     

基于二叉树和Adaboost算法的纸币号码识别

运用一种快速弱分类器训练算法和高速缓存策略来加速Adaboost算法的训练。集成学习算法Adaboost能够精确构建二分类器,运用二叉树型结构快速灵活地将纸币号码识别转化为一系列的Adaboost二分类问题。实验结果证明, 快速Adaboost训练算法能加快训练速度,基于二叉树和Adaboost的纸币号码识别系统具有较好的识别率和处理速度,已经应用在点钞机、清分机和ATM中。     

标记样本的Adaboost算法

提升（Boost）学习算法中,可以划分为多数提升和Adaboost两类。Adaboost是目前比较流行的分类方法,目前在多媒体和计算机视觉领域得到了广泛的应用。文中介绍了Adaboost方法的原理与方法,通过在提升过程中对训练集中部分样本的标记,提出了一种新的Adaboost算法的训练方法,并且用实验数据对该方法进行验证。该方法通过对前一轮提升后权值较小的那部分样本作标记,增加了后一轮提升抽样的有效容量,从而使算法中的分类器能够更快速地关注那些很难分类的样本。     

基于Adaboost权值更新以及K-L距离的特征选择算法

对于颜色、纹理变化较大的目标, 边界片段是一种较为稳定的特征. 手工分割样本再提取边界片段的传统做法由于工作量巨大而限制了样本的数目, 不能满足统计学习中大样本训练的要求. 但是如果对训练样本采用自动分割的方法就不可避免地引入很多背景中的噪声. 在这种情况下特征的选择就显得尤为关键. 本文提出一种基于Adaboost权值更新以及K-L距离的特征选择算法, 在Adaboost的每一轮训练中动态地选择所有备选边界片段的一个子集作为Adaboost训练的特征集. 选择算法以边界片段在正面样本与负面样本中分布的鉴别信息为依据, 有效地减少了背景中边界片段的干扰. 实验证明该算法是有效的.     

Haar-like特征双阈值Adaboost人脸检测

目的 针对基于Haar-like特征的Adaboost人脸检测算法,在应用于视频流时训练的时间较长,以及检测效率较低的问题,提出了一种基于区间阈值的Adaboost人脸检测算法。方法 通过运行传统的Adaboost算法对人脸图像Haar-like特征值进行提取分析后,对人脸样本与非人脸样本特征值进行比较,发现在某一特定的特征值区间内,人脸和非人脸区域能够得到准确区分,根据此特性,进行分类器的选择,在简化弱分类器计算步骤的同时,降低训练时间,提高对人脸的识别能力。除此之外,弱分类器的增强通过Adaboost算法的放大使得强分类器分类精度提高,与级联结构的配合使用也提升了最终模型检测人脸的准确率。结果 利用MIT（Massachusetts Institute of Technology）标准人脸库对改进Adaboost算法的性能进行验证,通过实验验证结果可知,改进后的Adaboost人脸检测算法训练速度提升为原来的1.44倍,检测率上升到94.93%,虚警率下降到6.03%。并且将改进算法在ORL（Olivetti Research Laboratory）、FERET（face recognition technology）以及CMU Multi-PIE（the CMU Multi-PIE face database）这3种标准人脸库中,分别与SVM（support vector machine）、DL（deep learning）、CNN（convolutional neural networks）以及肤色模型等4种算法进行了人脸检测对比实验,实验结果显示,改进后的Adaboost算法在进行人脸检测时,检测率提升了2.66%,训练所需时间减少至624.45 s,检测效果明显提升。结论 提出的基于区间阈值的Adaboost人脸检测算法,在分类器的训练和人脸检测方面都比传统的Adaboost算法性能更高,能够更好地满足人员较密集处（如球场等地）对多人脸同时检测的实际需求。     

基于Adaboost算法的推荐系统评分预测框架

在机器学习领域,Adaboost算法的实用性和有效性早已被证明.然而该算法原本是为分类问题设计,因而在推荐系统领域研究问题中无法直接应用,对其应用研究相对较少.本文对Adaboost算法进行改进,通过引入阈值,将评分预测问题转化为分类问题,并利用其权重更新的思想训练模型,提出了一个针对评分预测问题的框架,可以将训练出的多个模型集成起来得到最终的评分预测,提高了预测精度.我们选取矩阵分解模型作为基本模型,实验结果表明,使用该框架可以有效提高预测精度.     

基于快速边缘检测和Real Adaboost的行人检测

针对聚合通道特征(ACF)算法中行人外观轮廓不稳定导致检测率下降的问题,使用快速边缘检测检测出待检测图像的边缘图;用边缘图代替ACF算法图像通道中的梯度幅值通道,获取较稳定的行人轮廓信息;采用准确率较高的Real Adaboost分类器提高分类准确性.仿真实验结果表明:算法相对于原ACF算法误检窗口减少,检测精度提升,漏检率在INRIA,Caltech数据库上分别降低了5.1%和14.8%.