一种基于信息复用的Boosting瀑布型分类器高效训练方法
构建一个基于Boosting的瀑布型分类器往往要花费巨大的计算代价,该文提出一种改进的Boosting瀑布型分类器训练算法,利用不同层级分类器之间的共享信息复用来提高训练速度。该文提出的瀑布型分类器训练方法在两个层次上复用已获得的层级分类器中的信息。在分类器层次上,前一个层级分类器在新的层级分类器训练过程中成为第1个特征,并在当前层级分类器的训练样本集上进行适应性学习;在特征层次上,每一级分类器都直接保留所有前面层级分类器已经学到的特征,并重新在当前层级分类器的训练样本集上进行适应性学习。最后,再通过学习新的弱分类器,加入新特征。在正面人脸检测问题上的实验表明,提出的新算法相比传统方法能够大幅提高Boosting瀑布型分类器的训练速度,提高幅度近10倍,瀑布型分类器的训练时间从将近3天降到了8个小时。
模式识别、物体检测、人脸检测、瀑布型分类器、Boosting、训练时间
TP391.41(计算技术、计算机技术)
国家自然科学基金61300163,61272223资助课题
2014-10-31(万方平台首次上网日期,不代表论文的发表时间)
共7页
2405-2411