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 ..

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..

ㅇ Adaboost 예제 동영상ㅇ Learning Classification Functions- 대부분의 학습 알고리즘은 분류 함수(Classification function)을 학습 시키는데 사용이 된다. 하지만 본 논문에서 사용하는 Adaboost는 주어진 특징 약 160000개 중에서 좋은 특징을 선택하는 과정이 학습 과정인 것이다. - Freund 와 Schapire는 강분류기의 에러는 학습 과정의 반복 횟수가 증가함에 따라 Exponentially하게 0에 접근한다는 것을 증명하였다.- 또한 일반화 성능에 대한 더 많은 결과들이 증명되었다.(Schapire et al., 1997)- 전통적인 Adaboost 과정은 greedy Feature 선택 과정으로 쉽게 이해..

요약 HOG를 이용하여 차량을 검출하는 방법 중요 포인트 학습 일반적으로 HOG를 추출하여 모든 차원의 엘리먼트들을 특징으로 사용하지만 본 논문에서는 HOG 특징들 중에 좋은 특징만 추출하여 사용하고자 하는 아이디어 그렇다면 좋은 특징을 어떻게 추출하는가? Adaboost를 이용하여 좋은 특징을 추출한다. 그렇다면 특징을 추출한뒤 인식은 어떻게 하는가? Adaboost의 출력 값을 이용하여 다시 새로운 특징 벡터를 생성 후 SVM으로 인식한다. 테크닉 하나의 HOG를 사용하는 것이 아니라 3 종류의 HOG를 사용하는데, 이는 좀 더 강건하게 차량 검출을 위해서 사용한다. Cascade 개념이 들어 간듯 하다. 느낀점 개인적으로 정말 좋은 아이디어 인듯하다. 유사한 생각으로 혹시나해서 이미 논문이 나왔는지..

세미나 자료로 만든 프리젠테이션이다. 넘기다 보면 설명이 약간 ? 아니 아주 약간? 되어있다. 좀 더 자세히 설명하고 싶지만 지금은 시간이 좀 없어서..ㅋㅋㅋ 나중에도 솔직히 할거 같진 않다..ㅋㅋ 머 많은 사람들이 요구하면? 생각해보고...ㅋ 이제부터 새로운 공부를 할때마다 포스팅을 해바야징.. 여러분들도 열심히 공부하세요~ㅋㅋ 본 게시물이 도움이 되었다면, 꾸~욱~ 눌러주세요. 포스팅 하는데 많은 힘이 됩니다~~~