Boosting算法改进的在视觉目标检测中应用.pdf

博士论文 Boosting算法的改进及其在视觉目标检测中的应用研究 摘 要 B00sting是一类提高弱学习算法精度的强学习算法，具有坚实的理论基础，凭借其 高效、易用和良好的泛化性能被广泛应用于模式识别的各个领域，尤其在Ⅵola和Jones 框架成为迄今解决视觉目标检测的一条最有效的途径。本文研究boosting算法的改进及 其在视觉目标检测中的应用，综述boosting算法的研究现状，提出三种解决不平衡数据 和应用推广。 不平衡数据分类问题强调少数类的分类精度，而booSting算法最小化数据的整体分 类错误率上界，对少数类的分类效果较差。现有改进方案被本文归纳为数据采样法和代 价敏感法两类：数据采样法每轮迭代使用过采样／欠采样降低类别不平衡程度，但算法计 算量大，采样过程容易引入噪声或丢失有用数据信息：代价敏感法对少数类赋予较高的 误分代价，使得分类器向其倾斜，但算法大多为启发式，并存在代价因子较大时算法性 能显著下降的问题，缺少一个理论框架来解释其有效性。本文从代价敏感学习、采样、 提出代价敏感boosting的理论框架，揭示并解释现有算法存在的不稳定问题，并给出稳 定的新算法。本文从统计学角度指出代价