目标检测“Object Detection Using Generalization and Efficiency Balanced Co-occurrence Features”
来源:互联网 发布:红米note有4g网络吗 编辑:程序博客网 时间:2024/05/17 07:47
ICCV15的文章,内容比较简单,但是boosting的方法,文章使用了Haar,HOG,LPB的共生特征,训练boosting时考虑了泛化和检测率平衡,让强特征在有高检测率的同时有好的推广性能。
特征的描述比较简单,这里使用了灰度共生矩阵的描述方法,将特征用共生的方法描述,即:
形式如下图所示:
泛化和检测平衡
好的特征对应低的分类错误率,即:
使用共生特征,离得远的图像对有可能带来噪声,使用该项评价泛化能力:
将泛化损失引入目标函数:
再考虑计算时间,这主要由负样本决定,也即是每步的虚警数决定:
最后将计算时间引入损失函数:
对最终的损失函数解释如下,在RealAdaBoost的开始阶段,虚警较多,目标易与背景分开,倾向于使用高效的特征。在接下来的阶段,虚警变困难,要使用复杂的特征,其计算时间比较长。
实验结果
在两个行人数据库上与其他方法结果对比:
0 0
- 目标检测“Object Detection Using Generalization and Efficiency Balanced Co-occurrence Features”
- 基于ROS 目标检测与识别-Object Detection and Recognition
- 目标检测(Object Detection)
- 【目标检测】Object Detection RCNN算法解析
- 目标检测(Object Detection)资料汇总
- 目标 检测领域(Object Detection Benchmark)
- Object Detection目标检测全面总结--重要
- 【深度学习:目标检测】RCNN学习笔记(9):OverFeat:Integrated Recognition, Localization and Detection using Convolution
- INRIA目标检测和定位工具包 INRIA Object Detection and Localization Toolkit
- 目标检测(Object Detection)原理与实现(一)
- 目标检测(Object Detection)原理与实现(二)
- 目标检测(Object Detection)原理与实现(三)
- 目标检测(Object Detection)原理与实现(四)
- 目标检测(Object Detection)原理与实现(五)
- 目标检测(Object Detection)原理与实现(六)
- 目标检测(Object Detection)原理与实现(六)
- 目标检测(Object Detection)原理与实现(二)
- 目标检测(Object Detection)原理与实现(三)
- 多线程操作之NSOperation
- python程序打包示例
- 英语询问 姓名
- 微博推广流程
- UE Category
- 目标检测“Object Detection Using Generalization and Efficiency Balanced Co-occurrence Features”
- python 装饰器@staticmethod和@classmethod区别和使用
- 站长们幸福啦|SEO工具-站长必备的…
- 看样子SEO也不是那么神奇
- 分享5个淘宝指数邀请码
- vb.net 如何选择文件夹 不是文件
- 关于友盟分享
- 开源组件photoView学习
- SQL查看所有表名,字段