Wyszukiwarka
Abstrakt
This paper presents two methods of training complexity reduction by additional selection of features to check in object detector training task by AdaBoost training algorithm. In the first method, the features with weak performance at first weak classifier building process are reduced based on a list of features sorted by minimum weighted error. In the second method the feature similarity measures are used to throw away that features which is similar to earlier checked features with high minimum error rates in possible weak classifiers for current step. Experimental results with MIT-CMU $19\times19$ face detection images show that the error presented by ROC curves is near the same for the learning with and without additional feature reduction during the computational complexity is well reduced.
Cytowania
-
0
CrossRef
-
0
Web of Science
-
0
Scopus
Cytuj jako
Pełna treść
pełna treść publikacji nie jest dostępna w portalu
Słowa kluczowe
Informacje szczegółowe
- Kategoria:
- Aktywność konferencyjna
- Typ:
- materiały konferencyjne indeksowane w Web of Science
- Tytuł wydania:
- Image Processing and Communications Challenges 7 strony 47 - 54
- ISSN:
- 2194-5357
- Język:
- angielski
- Rok wydania:
- 2016
- Opis bibliograficzny:
- Dembski J..: Feature Reduction Using Similarity Measure in Object Detector Learning with Haar-like Features, W: Image Processing and Communications Challenges 7, 2016, Springer,.
- DOI:
- Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1007/978-3-319-23814-2_6
- Weryfikacja:
- Politechnika Gdańska
wyświetlono 140 razy
Publikacje, które mogą cię zainteresować
Multiplicative Long Short-Term Memory with Improved Mayfly Optimization for LULC Classification
- A. Stateczny,
- S. M. Bolugallu,
- P. B. Divakarachari
- + 2 autorów