文献

J-GLOBAL ID：201702285747640699   整理番号：17A1772257

最適による分割カスケード学習【Powered by NICT】

Cascade Learning by Optimally Partitioning

著者 (3件)： Pang Yanwei (School of Electronic Information Engineering, Tianjin University, Tianjin, China) ,  Cao Jiale (School of Electronic Information Engineering, Tianjin University, Tianjin, China) ,  Li Xuelong (Center for Optical Imagery Analysis and Learning, State Key Laboratory of Transient Optics and Photonics, Xi’an Institute of Optics and Precision Mechanics, Chinese Academy of Sciences, Xi’an, China)
資料名： IEEE Transactions on Cybernetics  (IEEE Transactions on Cybernetics)
巻： 47  号： 12  ページ： 4148-4161  発行年： 2017年 
JST資料番号： W0791A  ISSN： 2168-2267  CODEN： ITCEB8  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： カスケードAdaBoost分類器は良く知られた効率的なオブジェクト検出アルゴリズムである。カスケード構造を決定すべき多くのパラメータを持つ。既存カスケード学習アルゴリズムの大部分は,動的或いは静的に各段階に検出率,偽陽性率を割り当てることにより設計した。それらの目的関数は最小計算コストに直接関連していない。これらのアルゴリズムは,計算コストを最小化する意味で最適な解を持つことを保証されていない。強い分類器が与えられたと仮定すると,本論文では,段階の予め定義された数が生成されるまで,二つの部分に強い分類器を反復的に最適なカスケード学習アルゴリズム(iCascade)を提案した。iCascadeはカスケードの計算コストを直接最小化することにより各段階の最適分割点r_iを探索する。定理はユニークな最適解の存在を保証した。定理も最適パラメータを探索r_iの提案した効率的なアルゴリズムを示した。新段階を添加したら,各ステージのパラメータr_iは反復進行,減少現象と呼ぶとして徐々に減少した。さらに,計算コストを最小化する目的で,各段階の最適なしきい値を設定するための効果的なアルゴリズムを開発した。添加では,現段階ではより多くの新しい弱い分類器が前段階のそれと比較して必要である理由を理論で証明した。顔検出と歩行者検出に関する実験結果は,提案したアルゴリズムの有効性と効率を実証した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 目的関数 ,  アルゴリズム ,  *学習 ,  学習アルゴリズム
準シソーラス用語： 歩行者検出 ,  顔検出 ,  最適パラメータ ,  最適解 ,  計算コスト ,  偽陽性率 ,  検出率 ,  検出アルゴリズム ,  AdaBoost , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (2件)： カスケード ,  学習