您所在位置：网站首页 > 研究报告 > 信息产业AdaBoost算法理解基于世纪晟3D动态人脸识别实战学习

AdaBoost算法理解基于世纪晟3D动态人脸识别实战学习

3页

卖家[上传人]：强****

文档编号：53000677

上传时间：2018-08-27

文档格式：DOCX

文档大小：230.30KB

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

0 金贝

/ 3 举报版权申诉马上下载

文本预览

下载提示

常见问题

AdaBoostAdaBoost 算法理解基于世纪晟算法理解基于世纪晟 3D3D 动态人脸识别实战学习动态人脸识别实战学习AdaBoost 算法就是用一个数据多次训练一个弱的分类器，但是 adaboost 分类器主要关注那些以被分离器错分的数据。提高分类错误数据的权重，降低分对数据集的权重。最后把每个分类器集合到一起，然后进行测试。（注：关于这一部分的学习，主要来源于世纪晟科技 3D 动态人脸识别的实战练习。）功能将分类性能不好的弱分类器提升为分类性能好的强分类器的学习算法思想学习一系列分类器，在这个序列中每一个分类器对它前一个分类器导致的错误分类样例给予更大的重视AdaBoost 用于人脸模式分类其中，h表示弱分类器的值，表示弱学习算法寻找出的阈值，表示特征值，x 表示一个 Harr-like 特征。图是比较直观能够理解的，至于 Harr-like 特征之前也有谈到过，同时对于 Haar-Like 特征的快速计算也写过一篇，这部分可以结合起来一起学习。输入1.训练用人脸和非脸样本2.指定要挑选出来的弱分类器的数目 T这也是程序循环的次数 3.利用先验知识初始化权值向量一般可以平均设置这里展示的是 Adaboost 学习算法流程。具体参考以下输入：训练样本集合(x1,y1), (x2,y2), ., (xn,yn)其中：每个样本固定大小-如 20x20 像素-计算全部可能的 Haar-like 特征（数十万个）训练样本可能多达 100,000 个初始化 T，初始化每个样本的权重学习流程For t=1,.,T1. 归一化权重，使得为一个概率分布：2. 对每个特征 j，训练一个弱分类器并计算其带权重的错误率3. 选择误差最小的弱分类器4. 更新每个样本的权重其中：xi 被正确分类，ei=0，否则ei=1注意：正确分类则权重下降，否则不变；错误率越小，Beta 也越小最终得到的强分类器注：弱分类器错误率越小，就越小，就越大H(x)为+，则为正例（人脸）H(x)为-，则为反例（非人脸）

《AdaBoost算法理解基于世纪晟3D动态人脸识别实战学习》由会员强****分享，可在线阅读，更多相关《AdaBoost算法理解基于世纪晟3D动态人脸识别实战学习》请在金锄头文库上搜索。

点击阅读更多内容

TA的资源