Wyszukiwarka
Abstrakt
The article presents the problem of parameter value selection of the multiclass ``one against all'' approach of an AdaBoost algorithm in tasks of object recognition based on two-dimensional graphical images. AdaBoost classifier with Haar features is still used in mobile devices due to the processing speed in contrast to other methods like deep learning or SVM but its main drawback is the need to assembly the results of binary two-class classifiers in recognition problems. In this paper an original method of selecting the parameter values of the assembling algorithm using many similar face recognition tasks is proposed. The parameter optimization is done by checking all possible vectors of parameter values. The recognition results with optimized parameter values is $10\%$ better in 8-class face database famous48\footnote{http://eti.pg.edu.pl/documents/176468/27493127/famous48.zip} tasks than using random heuristic which can be represented by the average of all possible vectors of parameter values.
Cytowania
-
1
CrossRef
-
0
Web of Science
-
1
Scopus
Cytuj jako
Pełna treść
pełna treść publikacji nie jest dostępna w portalu
Słowa kluczowe
Informacje szczegółowe
- Kategoria:
- Publikacja monograficzna
- Typ:
- rozdział, artykuł w książce - dziele zbiorowym /podręczniku w języku o zasięgu międzynarodowym
- Opublikowano w:
-
Advances in Intelligent Systems and Computing
nr 525,
strony 203 - 210,
ISSN: 2194-5357 - Tytuł wydania:
- Image Processing and Communications Challenges 8 strony 203 - 210
- Język:
- angielski
- Rok wydania:
- 2017
- Opis bibliograficzny:
- Dembski J.: Multiclass AdaBoost Classifier Parameter Adaptation for Pattern Recognition// / ed. Ryszard s. Choraś : Springer, 2017, s.203-210
- DOI:
- Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1007/978-3-319-47274-4_24
- Weryfikacja:
- Politechnika Gdańska
wyświetlono 184 razy