Jooo's life story

Boosting? 여러 약한 분류기들 중에 몇개의 성능 좋은 분류기를 뽑아 강한 분류기를 만들겠다는 전략. 쉽게 이야기하면, 다 잘난 놈은 구하기 힘드니까, 영어 잘하는 놈, 수학 잘하는 놈, 과학 잘하는 놈을 각각 뽑아서 다 잘하는 놈보다 좋은 점수를 얻겠다는 전략 현재까지 조사한 다양한 부스팅 종류 - Adaboost는 부스팅의 한 종류로서, 약한 분류기를 선택할 경우 학습 데이터에 가중치를 적응적으로 주어 이전에 선택된 약분류기가 잘 못푸는 문제에 가중치를 더 주어 그 문제를 더 잘 푸는 약분류기가 선택되도록 하겠다는 전략. 1. Discrete AdaBoost 2. Real AdaBoost 3. LogitBoost 4. Gentle AdaBoost 1. Discrete AdaBoost - 자세히 ..

중요 코드 //가중치 갱신, 및 약분류기 신뢰도 계산 함수float icvBoostNextWeakClassifierGAB( CvMat* weakEvalVals, CvMat* trainClasses, CvMat* /*weakTrainVals*/, CvMat* weights, CvBoostTrainer* trainer ) { uchar* evaldata; int evalstep; int m; uchar* ydata; int ystep; int ynum; uchar* wdata; int wstep; int wnum; int i, idx; float sumw; CV_Assert( weakEvalVals != NULL ); CV_Assert( CV_MAT_TYPE( weakEvalVals->type ) == CV..

cvhaartraining.cpp 파일을 분석하였다. 1. 포지티브, 네거티브 데이터 열기 2. 가중치 초기화 3. 모든 haar 특징을 모든 샘플에 대해서 계산 4. 학습 //스테이지 학습 루틴 4.1 cvCreateCARTClassifier - 내부적으로 stump를 만들어가면서 가장 좋은 특징을 찾고, 가장 좋은 stump를 받아서 사용자 가 원하는 갯수로 분할하는 CART 트리를 생성한다. 4.2 선택된 분류기로 학습 데이터를 평가한다. 4.3 cvBoostNextWeakClassifier - 부스트 타입에 따라서 호출되는 함수가 다른데, 단순히 샘플에 대한 가중치를 업데이트 하고, 선택된 특징의 신뢰도를 리턴하는 것 같다. 4.4 선택된 분류기에다가 신뢰도를 곱해준다 - 이것은, 4,1에서 선택..

상위 레벨의 관념을 표현하는 복잡한 기능들의 종류를 학습하기 위해 이론적인 결과를 제안한다. Deep architectures는 많은 히든 레이어로 만들어진 뉴럴 네트워크, 또는 많은 서브 공식을 재사용하는 복잡한 공식처럼 비선형 동작의 멀티 레벨로 구성된다. Searching the parameter space of deep architectures is a difficult optimization task, Deep architectures의 파라미터 공간을 찾는 것은 어려운 최적화 작업이다. but learning algorithms such as those for Deep Belief Networks have recently been proposed to tackle this problem wit..

A Linear-Time Component-Labeling Algorithm Using Contour Tracing Technique http://www.iis.sinica.edu.tw/~fchang/paper/component_labeling_cviu.pdf - Opencv에서 사용하는 알고리즘이니, 당연히 속도는 빠를듯. 본인은 구현의 귀차니즘으로 인해 grass fire 알고리즘을 사용하는데, 시간 나면 한번 구현해야겠다.

Good Idea. 적분 영상을 이용하여 빠르게 HOG와 유사한 효과 http://coe.gucas.ac.cn/SDL-HomePage/publication%5CICIP-YE.pdf

FAST Corner Dection보다 빠른 방법에 관한 내용 링크 : http://www6.in.tum.de/Main/ResearchAgast 소스코드 다운로드 : http://sourceforge.net/projects/agastpp/ 3.1 Configuration Space for a Binary Search Tree FAST 처럼 공간 구성을 제한하는 것 대신에, 우리는 좀 더 효율적인 해답을 제공하기 위해 좀 더 세분화된 공간을 구성한다. 이러한 것을 하기위해서는 우리는 시간당 하나의 질문을 평가하는 것을 고려한다. 이러한 아이디어는 다음과 같다. 검사할 픽셀 중에 하나를 선택하고, 하나의 질문을 제기한다. 그 질문은 주어진 픽셀을 평가하는 것이며, 그 응답은 다음 픽셀과 질문을 결정하는데 사..

1980년도 원전 논문 RANDOM SAMPLE CONSENSUS : a Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography (http://www.dtic.mil/dtic/tr/fulltext/u2/a460585.pdf) RANSAC(RANdom SAmple Consensus)을 이용한 Line Fitting Example http://blog.daum.net/pg365/62 RANSAC 은 노이즈가 심한 원본 데이터로부터 모델 파라미터를 예측하는 방법이다. 위의 링크에는 line fitting을 예제로 하였으나, 실제로 cost와 모델링하는 함수만 만든다면 2차 곡선, 3차 곡선, 기타 모델링을 ..

먼저 이 논문은 손의 동작(Pose)를 인식하는 방법에 관한 논문이다. 전체적인 구성은 먼저 키넥트로부터 영상을 입력받고, 손 영역을 찾고 손 영역에서 본 논문이 제안하는 SBSM (Spherical Blurred Shape Model) 디스크립터를 추출한다. 추출된 디스크립터로 사전에 SVM으로 학습한 모델을 이용하여 인식하는 것이다. 손은 기본적으로 카메라에서 가장 가까이 있다고 가정하고 찾는 듯 하다. 그래서 일단 이부분은 중요한 부분이 아니니 패스~ 중요한 포인트는 찾아진 손 영역에서 어떻게 디스크립터를 추출하느냐 이다. 그림 4.1을 보면 피와 세타 r을 볼 수 있다. 간단하게 말해서 3차원 히스토그램이라고 보면 되지 않을까 싶다. O는 무게중심일 것이며, 무게중심을 기준으로 phi 와 thet..