一种改进AdaBoost算法的车牌检测方法

针对传统AdaBoost算法的不足,分析了分类器训练耗时和训练过程中容易出现样本权重扭曲的问题,并提出了解决这一问题的有效方法。新方法主要对特征值和排序结果进行缓存以及对样本权重的更新规则进行适当调整。实验结果表明,使用该方法训练级联车牌检测器能较好地解决传统AdaBoost算法中所出现的权重扭曲及训练时间长的问题,在提高检测率的同时训练时间缩短了50%左右。     

一种改进的AdaBoost检测算法

针对传统AdaBoost算法在人脸图片训练过程中可能会出现退化现象和训练目标类权重分布过适应的问题,提出一种基于调整正负误差比和设定阈值的改进AdaBoost算法。该算法首先把设定的阈值和当前分类错误样本的权值比较来更新样本的权值,其次通过调整正误差和负误差之间的偏重关系来控制训练样本的偏重。经过实验表明,不同人脸图像库和不同正负样本比不影响该算法的有效性,在LFW非受限人脸图像库正负样本比例为1:1情况下,检测率为86.7%,高于传统AdaBoost算法;弱分类器数目为116,比传统AdaBoost算法多15个。实验结果可以看出所提算法抑制了退化和训练目标类权重过适应现象,有效地提高了人脸图片检测率。     

基于改进的AdaBoost算法的人脸检测与定位

针对传统AdaBoost算法在训练过程中出现的退化现象和检测率低的问题,提出了一种有效的解决方法。该方法在传统AdaBoost算法的基础上,对样本的权值参数和弱分类器的加权参数加以改进,有效地抑制了困难样本权值的过分增大,加强了分类器对样本的识别能力,并提高了系统的检测率。实验证明:使用该方法训练的级联人脸检测器具有良好的性能。     

基于改进AdaBoost算法的人脸检测

研究人脸识别实现自动化检测,针对实时定位准确识别人脸,采用传统AdaBoost算法构建人脸检测器时存在的过拟合现象和特征冗余缺欠,提出一种自适应样本权重更新规则和遗传算法的改进AdaBoost人脸检测方法.可把正负样本错分率引入样本权重更新过程,将分类效果反馈给分类器,实现对分类器结构的有效控制.用遗传算法进一步优化所选特征及其参数,达到使用较少的弱分类器实现高检出率和低误判率的双重要求.仿真结果表明,与传统AdaBoost算法相比,采用文中算法训练人脸检测器可有效避免样本权重扭曲现象,消除分类器冗余,在保证较高检出率的同时降低误检率,使人脸检测更加快速和精确.     

基于协方差特征的裁剪AdaBoost算法

针对Haar-like特征的缺陷以及AdaBoost算法存在训练耗时的问题,提出一种基于协方差特征的改进AdaBoost人脸检测算法。该方法用协方差特征代替Haar-like特征进行特征提取;然后使用特征裁剪和动态权重裁剪相结合的裁剪AdaBoost算法,训练得到基于协方差特征的强分类器。实验结果表明,相对于基于Haar-like特征的AdaBoost算法,该算法性能没有明显退化且很大程度上提高了训练速度。     

人脸检测算法的改进与仿真研究

研究提高人脸检测算法准确率问题,针对传统AdaBoost算法在人脸检测训练过程中出现的退化现象和识别率低的问题,提出了一种改进的AdaBoost人脸检测方法.在传统AdaBoost算法的基础上,通过假阳性对样本的权值进行动态更新,调节因子对调节权值进行修正防止其过分增大,通过判决阈值改善分类器识别能力.在CMU+MIT...     

基于CMYK-H-CbCr肤色检测和改进型AdaBoost算法的人脸检测

针对复杂背景和高分辨率的人脸检测问题,提出一种多颜色空间下的肤色检测和改进型AdaBoost算法结合的人脸检测方法。首先,为了提高检测速度,采用多颜色空间的肤色检测作为预处理,结合CMYK、HSV、YCbCr三种颜色空间下的肤色阈值分割,得到人脸候选区域;其次,为了克服人脸相似区域容易导致的退化现象,将样本和弱分类器阈值的距离结合到权重更新中,提出一种改进型的AdaBoost算法。实验证明,二者结合后的新方法,在保证检测率的同时,大幅降低了计算复杂度和误检率。     

一种快速高效的人脸检测方法

介绍了一种建立在改进型Adaboost算法基础上的人脸检测方法,整个方法分为训练和检测两个阶段。训练阶段包含提取类Haar_Like矩形特征、利用改进型Adaboost算法生成强分类器、级联强分类器生成人脸检测器三步。检测阶段,采用金字塔式的穷举搜索法将对待检测图像进行人脸检测。为了解决传统Adaboost算法在训练过程中可能出现退化现象的问题,在Adaboost每轮训练中,定义一个阈值HWt,结合样本是否被错误分类以及当前权值是否大于HWt来给样本更新权值,该方法可以避免训练中可能出现的权重分布严重扭曲的退化现象,提高检测效率。经过编程实践,结果证明该方法检测效率高、检测精度较好。     

基于BP神经网络的人脸检测AbaBoost算法

人脸检测在日常生产和应用非常重要。本文提出了一种基于BP神经网络的AdaBoost人脸检测算法。首先,使用BP神经网络代替YCbCr高斯模型建立肤色模型。同时,针对AdaBoost算法提出了一种新的权值更新方法。在权值更新中引入阈值与样本之间的距离。另外权重有一个边界值。最后,利用BP神经网络提取图像中的肤色候选区域,并采用改进的AdaBoost算法对图像中的人脸进行精确检测。实验结果表明,利用BP神经网络和改进的AdaBoost算法的新的解决方案比现有的方法具有更高的精度。     

AdaBoost算法的一种改进方法

Boosting是一种改善任意给定的机器学习算法准确性的通用方法．主要针对AdaBoost算法，介绍了AdaBoost算法的研究背景．分析了实验过程中出现的退化问题以及目标类权重分布扭曲的现象，提出了一种基于调整权重分布，限制权重扩张的改进方法，最后给出了实验结果和分析．     

基于基分类器系数和多样性的改进AdaBoost算法

针对传统AdaBoost算法的基分类器线性组合效率低以及过适应的问题,提出了一种基于基分类器系数与多样性的改进算法——WD AdaBoost。首先,根据基分类器的错误率与样本权重的分布状态,给出新的基分类器系数求解方法,以提高基分类器的组合效率;其次,在基分类器的选择策略上,WD AdaBoost算法引入双误度量以增加基分类器间的多样性。在五个来自不同实际应用领域的数据集上,与传统AdaBoost算法相比,CeffAda算法使用新的基分类器系数求解方法使测试误差平均降低了1.2个百分点;同时,WD AdaBoost算法与WLDF_Ada、AD_Ada、sk_AdaBoost等算法相对比,具有更低的错误率。实验结果表明,WD AdaBoost算法能够更高效地集成基分类器,抵抗过拟合,并可以提高分类性能。     

一种用于不平衡数据分类的改进AdaBoost算法

真实世界中存在大量的类别不平衡分类问题,传统的机器学习算法如AdaBoost算法,关注的是分类器的整体性能,而没有给予小类更多的关注。因此针对类别不平衡学习算法的研究是机器学习的一个重要方向。AsymBoost作为AdaBoost的一种改进算法,用于类别不平衡学习时,牺牲大类样本的识别精度来提高小类样本的分类性能。AsymBoost算法依然可能遭遇样本权重过大造成的过适应问题。据此提出了一种新型的AdaBoost改进算法。该方法通过对大类中分类困难样本的权重和标签进行处理,使分类器能够同时获得较好的查准率和查全率。实验结果表明,该方法可以有效提高在不平衡数据集上的分类性能。     

多阈值划分的连续AdaBoost人脸检测

连续AdaBoost算法要求对样本空间进行划分,传统的等距划分无法体现正负样本各自的分布规律.对基于连续AdaBoost算法的人脸检测方法进行了改进,结合离散AdaBoost中弱分类器的阈值选取策略,通过多重最优阈值选择方法实现了样本空间的合理划分.在MIT-CBCL数据库上的实验结果表明,改进后的方法比等距划分和连续AdaBoost算法检测率提高0.5%和2%,错误率降低0.15%和0.27%,算法收敛速度更快.     

A noise-detection based AdaBoost algorithm for mislabeled data

Noise sensitivity is known as a key related issue of AdaBoost algorithm. Previous works exhibit that AdaBoost is prone to be overfitting in dealing with the noisy data sets due to its consistent high weights assignment on hard-to-learn instances (mislabeled instances or outliers). In this paper, a new boosting approach, named noise-detection based AdaBoost (ND-AdaBoost), is exploited to combine classifiers by emphasizing on training misclassified noisy instances and correctly classified non-noisy instances. Specifically, the algorithm is designed by integrating a noise-detection based loss function into AdaBoost to adjust the weight distribution at each iteration. A k-nearest-neighbor (k-NN) and an expectation maximization (EM) based evaluation criteria are both constructed to detect noisy instances. Further, a regeneration condition is presented and analyzed to control the ensemble training error bound of the proposed algorithm which provides theoretical support. Finally, we conduct some experiments on selected binary UCI benchmark data sets and demonstrate that the proposed algorithm is more robust than standard and other types of AdaBoost for noisy data sets.     

Research on Hyperspectral Imagery Land Cover ClassificationMethod based on AdaBoost Improved Random Forest

In order to improve the classification accuracy of hyperspectral images,a new weighted random forest method based on AdaBoost is proposed.In this method,the concept of sample weight is introduced,and then the weight of each sample will be adjusted according to whether the sample is correctly classified.Those misclassified samples will be given higher weight value,to attract more attention of the classifier to improve the classification.Furthermore,the method gives the voting weight to every basic classifier according to their classification error rate.The basic classifier with higher classification accuracy will obtain larger voting weight.Two sets of Hyperspectral data(The CASI Hyperspectral Data acquired in Heihe region and CHRIS Hyperspectral Data acquired in the Yellow River Estuary) are used to verify the validity of the method.The results show that the weighted random forest has a better performance than the equal weight random forest and the SVM method in the overall classification accuracy,the average classification accuracy and the Kappa coefficient,which proves the efficiency of the proposed method.     

基于概率的两层最近邻自适应度量分类算法

针对有限样本下,KNN算法距离量的选择以及以前距离量学习研究中没有充分考虑样本分布的情况,提出了一种新的基于概率的两层最近邻自适应度量算法（PTLNN）。该算法分为两层,在低层使用欧氏距离来确定一个未标记的样本局部子空间;在高层,用AdaBoost在子空间进行信息提取。以最小化平均绝对误差为原则,定义一个基于概率的自适应距离度量进行最近邻分类。该算法结合KNN与AdaBoost算法的优势,在有限样本下充分考虑样本分布能降低分类错误率,并且在噪声数据下有很好的稳定性,能降低AdaBoost过度拟合现象发生。通过与其他算法对比实验表明,PTLNN算法取得更好的结果。     

基于自适应提升的概率矩阵分解算法

针对推荐系统中概率矩阵分解模型(PMF)泛化能力(对新用户和物品的推荐性能)较差、预测准确性不高的问题,提出一种新的基于自适应提升的概率矩阵分解算法(AdaBoostPMF)。该算法首先为每个样本分配样本权重;然后根据PMF中的每一轮随机梯度下降法学习用户和物品特征向量,并计算总体预测误差均值和标准差。从全局的角度利用AdaBoost思想自适应调整样本权重,使算法更注重学习预测误差较大的样本;最后对预测误差分配样本权重,让用户和物品特征向量找到更合适的优化方向。相比传统的PMF算法,AdaBoostPMF算法能够将预测精度平均提高约2.5%。实验结果表明,该算法通过加权预测误差较大的样本,能够较好地拟合用户特征向量和物品特征向量,提高预测精度,可以有效地应用于研究个性化推荐。