我读过关于Viola方法用于目标检测的文章,我对一些事情感到困惑。
1-对于Adaboost来说,每一轮都意味着我们计算所有图像的160 k特征,然后找出误差最小的一个(据我所知,这是一个“弱分类器?如果我错了请纠正我)。如果是的话,这不需要花费非常长的时间来训练一组可能需要几个月的图像吗?如果这是正确的,您还会进行多少轮训练?”
2.如果以上点是错误的,那么这是否意味着对于每个特征,我们用一个特征来评估所有的非人脸和人脸图像,并将其与一个可接受的误差阈值进行比较,如果它低于这个可接受的阈值,那么我们就把这个特征作为弱分类器,然后在使用160 k特征中的下一个特征之前更新权重。
我试过理解这个链接http://www.ece301.com/ml-doc/54-face-detect-matlab-1.html中的MATLAB代码,但不确定他实现adaboost的方式是否正确。
如果有一个链接可以解释维奥拉-琼斯以一种简单而清晰的方式使用阿多斯特,那也将是一个很大的帮助。
发布于 2013-11-17 10:13:17
AdaBoost在几轮中尝试多个弱分类器,在每一轮中选择最优弱分类器,并结合最佳分类器生成强分类器。
例如adaboost:
Data point Classifier 1 Classifier 2 Classifier 3
x1 Fail pass fail
x2 Pass fail pass
x3 fail pass pass
x4 pass fail passAdaBoost可以使用一贯错误的分类器来逆转他们的决策。
发布于 2016-05-07 12:01:24
1)是。如果您的参数是,例如,5000个正窗口和500个负窗口(从您最初提供的一组负面背景图像中提取出来),那么在每个阶段对所有10000个窗口依次评估每个特性,并将最好的一个添加到特征集中。是的,在Viola的原始论文中,每个特征都是弱分类器。
检查所有功能的过程需要很长的时间,而不是几个星期。事实上,瓶颈是最后阶段消极寡妇的聚集,可能需要几天或几周,子弹的数量取决于特定条件的到达。每个阶段都需要几个回合(通常在最后阶段更多)。例如:第1阶段需要3个特征(3轮),第2阶段需要5个特征(5轮),第3阶段需要6个功能(6轮)等等。
2)上述观点是正确的,因此不适用。
https://stackoverflow.com/questions/20029425
复制相似问题