feature combination boosting

2013. 8. 15. 12:19

Cut and divide boosting을 생각하다가 좀 더 좋은 방법이 떠올랐다.

특징들의 combination 으로 새로운 특징을 생성하는 것이다.

1. 샘플 데이터를 특징 공간으로 이동시키고(특징 벡터로 변환)

2. 고려할 특징들 간의 combination 룰을 정의한다.

3. combination 룰에 의해 가장 좋은 특징을 찾는다. combination은 2~n 까지 사용자가 정의할 수 있도록 한다.

4. 연산 시간이 엄청 날듯하다.

5. svm을 combination 특징을 이용해서 초평면을 구하는 방법도 좋을 듯 하다. 출력값이 margin과 에러율이 나와야겟지.

6. 여러개의 combination 중에 margin과 에러율이 가장 작은 것 선택하기.

7. 가장 좋은 것은 positive sample은 100% 분리하는 svm을 사용해야함.

장점. 하나의 특징으로만 cut하는 경우보다. 두개의 특징을 이용하여 cut하는 경우가 좀 더 효율적인 cut이 가능할 것임. 몇개의 초평면으로 깔끔하게 cut 가능,

 

MCT는 지역적으로 상관관계를 갖는 특성으로 결정 트리 형태의 특징을 약분류기로 사용한다.

MCT의 경우 영상 지역적으로 특징을 표현함으로써 적분 영상이 아닌 이미지 피라미드를 통해 검출 작업을 수행하는데,

Haar의 조합으로 9비트의 트리를 구성한다면, 충분히 좀 더 적은 약분류기와 적분영상을 사용하여 좋은 결과를 나타낼 수 있을 것이라

생각됨.