CN101964063A - 一种改进的AdaBoost分类器构造方法 - Google Patents
一种改进的AdaBoost分类器构造方法 Download PDFInfo
- Publication number
- CN101964063A CN101964063A CN 201010280835 CN201010280835A CN101964063A CN 101964063 A CN101964063 A CN 101964063A CN 201010280835 CN201010280835 CN 201010280835 CN 201010280835 A CN201010280835 A CN 201010280835A CN 101964063 A CN101964063 A CN 101964063A
- Authority
- CN
- China
- Prior art keywords
- centerdot
- classification
- eigenwert
- sortvec
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
本发明提供一种改进的AdaBoost分类器构造方法,属于图像检测技术领域。本发明首先将样本的类Haar特征值与其类别标签结合起来生成候选分类位置集,从候选分类位置集中寻找使分类错误最小的位置,基于此位置构造弱分类器,并同时提供一种自适应的弱分类器阈值构造方法。本发明较好地解决了AdaBoost分类器训练准备时间过长以及性能的提升问题,将其结合类Haar特征用于车辆图像检测实验,与传统AdaBoost分类器方法相比,明显减少了分类器的训练所需时间,同时还提升了其识别性能。
Description
技术领域:
本发明涉及一种改进的AdaBoost分类器构造方法,属于图像检测技术领域。
背景技术:
在机器学习中,AdaBoost分类器与SVM(支持向量机,Support Vector Machines)相比,在模式识别应用中具有识别精度高、实时性好的优点,因而在汽车辅助驾驶中障碍物(如车辆、摩托车、行人)识别中取得了较好的应用效果,然而,AdaBoost分类器在应用中的不足之处是训练过程远比SVM分类器耗时得多,妨碍了其在其他领域的应用推广。AdaBoost(Adaptive Boosting)分类器构造方法是由Freund&Schapire提出的一种自适应的Boost分类器构造方法,其主要原理是将所有待分类样本赋予相等的初始权值,在每一轮选取弱分类器(比随机猜测略好)的训练中,选择对样本带权分类错误最小的特征与阈值组合作为当前选取的弱分类器,并根据当前的弱分类器的分类效果对样本的权值进行更新:即分类错误的样本权值升高,而分类正确的样本权值降低。在反复进行多次迭代训练后,可以使分类错误趋近于零,最后将这些弱分类器组合成强分类器。由此可以看出,AdaBoost分类器训练阶段大部分时间都消耗在寻找弱分类器上。传统的寻找弱分类器方法是仅仅依据每个样本的类Haar特征值来寻找弱分类器,即首先对每个类Haar特征在训练样本集上得到的特征向量采用穷举的方式得到相应的候选分类位置,然后从所有候选分类位置中寻找分类错误最小的分类位置,再基于此位置构造弱分类器,因而导致AdaBoost分类器训练过程计算量大、耗时长,此外,在构造弱分类器过程中,传统的阈值设置方法在反映训练样本的分布规律方面仍有待进一步改善。
发明内容
本发明的所要解决的技术问题是针对现有AdaBoost构造方法训练过程中存在的计算量大、耗时长以及弱分类器构造过程中传统阈值设置方法存在的问题,提出一种改进的AdaBoost分类器构造方法。
本发明为实现上述发明目的采用如下技术方案:
一种改进的AdaBoost分类器构造方法,包括:
步骤(1)、获取图像感兴趣区域;
步骤(2)、计算积分图;
步骤(3)、获得弱分类器;
步骤(4)、将步骤(3)得到的弱分类器组合成强分类器;
其特征在于:所述步骤(3)中获得弱分类器的步骤为:
(3)-Ⅰ、设所有类Haar特征在训练样本集S上得到的特征值集合为矩阵A:
其中n表示训练样本集中样本的个数,m代表一张归一化为32×32的灰度图中构造的类Haar特征的个数,a11表示第1个类Haar特征在第1个样本上的值;aij表示第i个类Haar特征在第j个样本上的值,其中i∈{1,2,…,m},j∈{1,2,…,n},依此类推;
(3)-Ⅱ、进行迭代训练;
Ⅱ-1,采用基于计算积分图的方法求第i个类Haar特征在训练样本集S上的特征值,设对应的特征值构成的向量为Vec,样本xj的权值为wj,类型为yj,yj∈{-1,+1},其中1表示车,-1表示非车,Vec[j]的值为在样本xj上的特征值;
Ⅱ-2,生成候选分类位置集:
Ⅱ-2.1,对特征向量排序:将对应的特征值构成的向量Vec中的元素由小到大排序得到新的向量SortVec,设排完序后对应的类别标签向量变为Lab;
Ⅱ-2.2,构造候选分类位置集:从左向右察看所有类别标签出现变化的位置对,判断所述出现变化的位置对所对应的特征值是否相同;
若特征值不同,将所述位置对的第一个位置放入候选分类位置集中;
若特征值相同,首先向左查找与所述相同特征值不同的第一个特征值,判断该特征值对应的位置是否已包含在候选分类位置集中,若该特征值对应的位置没有包含在候选分类位置集中,则将该特征值对应的位置加入候选分类位置集中;然后再向右查找与所述相同特征值不同的第一个特征值,断该特征值对应的位置是否已包含在候选分类位置集中,若该特征值对应的位置没有包含在候选分类位置集中,则将该特征值对应的位置加入候选分类位置集中;
记得到的候选分类位置集为L={l1,l2,…,lk′},其中k′为候选分类位置的个数,每一个候选分类位置用特征值对{SortVec(j-1),SortVec(j)}来表示,记为li′,i′=1,2,…,k′;
Ⅱ-3,求最佳分类位置:从步骤Ⅱ-2.2得到的候选分类位置集L中选取一个使得分类错误最小的分类位置作为最佳分类位置τ,τ∈L;
Ⅱ-4,设置分类阈值:
Ⅱ-4.1,设当特征值小于等于SortVec[τ-1]时,类别输出为Label;设当特征值大于等于SortVec[τ]时,类别输出为-Label,其中,Label∈{-1,+1};
当特征值小于等于SortVec[τ-1]时,类别输出为Label的先验概率P1为:
当特征值大于等于SortVec[τ]时,类别输出为-Label的先验概率P2为:
其中,wj为第j个训练样本的权值,yj为第j个训练样本的真实类别;
Ⅱ-4.2,当P1=0或P2=0,直接进入(3)-Ⅲ步骤;
Ⅱ-4.3,当P1≠0并且P2≠0时,分类阈值θi,即第i个类Haar特征所对应的弱分类器分类阈值,设置方法如下:
Ⅱ-5,根据以上的阈值,在给定的样本权重分布下构造弱分类器如下:
其中SortVecj为第i个类Haar特征在第j个样本上相应的特征值,p∈{-1,+1}表示分类方向;
Ⅱ-6,计算每个弱分类器对样本集的分类错误率:
其中wj代表样本xj的权值,fi(xj)表示基于第i个类Haar特征构造的弱分类器fi对样本xj的分类结果;
Ⅱ-7,选取分类错误最小的弱分类器,并根据其分类效果对样本的权值进行更新:即分类错误的样本权值升高,而分类正确的样本权值降低;
(3)-Ⅲ、反复进行步骤(3)-Ⅱ的迭代训练过程,直至分类错误趋近于零。
本发明采用上述技术方案具有以下有益效果:
本发明较好地解决了AdaBoost分类器训练准备时间过长以及性能的提升问题,将其结合类Haar特征用于车辆图像检测实验,与传统AdaBoost分类器方法相比,明显减少了分类器的训练所需时间,同时还提升了其识别性能。
附图说明:
图1是本发明的AdaBoost分类器构造方法流程图。
具体实施方案:
下面结合附图对技术方案的实施作进一步的详细描述:
如图1所示,图1中计算积分图以及类Haar特征值方法与现有技术相同,在此不再赘述。
以下详细介绍图1中的生成候选分类位置集以及设置分类阈值方法。为便于叙述,设所有类Haar特征在训练样本集S上得到的特征值集合为矩阵A。
其中n表示训练样本集中样本的个数,m代表一张归一化为32×32的灰度图中构造的类Haar特征的个数,aij(i∈{1,2,…,m},j∈{1,2,…,n})表示第i个类Haar特征在第j个样本上的值。
以第t次迭代时求第i个类Haar特征在训练样本集S上值(对应矩阵A的第i行)的弱分类器为例,记对应的特征值构成的向量为Vec,样本xj的权重为wj,类型为yj,yj∈{-1,+1}(1表示车,-1表示非车)。Vec[j]的值为在样本xj上的特征值。
1.生成候选分类位置集
传统的生成候选分类位置集方法仅基于样本的类Haar特征值采用穷举的方法来生成,其不足之处是当样本规模很大时,所得到的候选分类位置数量庞大,使得求取最佳分类位置的计算量大、耗时长,是导致AdaBoost分类器训练时间太长的主要因素之一。为此,提出一种将类Haar特征值与相应样本类别标签结合起来生成候选分类位置集的方法。共分两步实现:第一步,对特征向量排序;第二步,构造候选分类位置集。
1)对特征向量排序:将Vec中的元素由小到大排序得到新的向量SortVec,设排完序后对应的类别标签向量变为Lab;
2)构造候选分类位置集:从左向右对所有标签出现变化的位置对,察看其对应的特征值是否相同,若不同,将位置对的第一个位置放入候选分类位置集中;若特征值相同,首先向左查找与其不同的第一个特征值,判断该特征值对应的位置是否已包含在候选分类位置集中,若没有,则加入候选分类位置集中;再向右查找与相同特征值不同的第一个特征值,后续操作与向左过程类似,在此不再赘述,记得到的候选分类位置集为L={l1,l2,…,lk′}。
然后对以上得到的候选分类位置集L={l1,l2,…,lk′},选取一个使得分类错误最小的分类位置。
2.设置分类阈值
记以上得到的使分类错误最小的位置为τ∈L,下面计算分类阈值,传统的计算分类阈值的方法是求取平均值的方法,即:
然而,这种计算阈值的方法并没有较好地反映训练样本的分布规律,为此,提出一种自适应的分类阈值计算方法。
设当特征值小于等于SortVec[τ-1]时,类别输出为Label(Label∈{-1,+1}),则当特征值大于等于SortVec[τ]时,输出为-Label。于是可得特征值小于等于SortVec[τ-1]时类别为Label的先验概率为:
特征值大于等于SortVec[τ]时类别为-Label的先验概率为:
wj为第j个训练样本的权值,yj为第j个训练样本的真实标签;
以上所得概率值反映了两类训练样本的分布规律,根据样本的分布规律,所提出的自适应分类阈值设置方法如下:
对于两种极端情况:P1=0或P2=0,可以将其理解成这样一个学习过程,即在训练期间弱分类器只学会识别一种类别,而通过实验发现,在特征分布正常的情况下,上面两种极端情况即使出现了,将其用于分类也无法得到最佳分类效果,总能找到比它分类效果更好的情形,因此不予考虑。
Claims (1)
1.一种改进的AdaBoost分类器构造方法,包括:
步骤(1)、获取图像感兴趣区域;
步骤(2)、计算积分图;
步骤(3)、获得弱分类器;
步骤(4)、将步骤(3)得到的弱分类器组合成强分类器;
其特征在于:所述步骤(3)中获得弱分类器的步骤为:
(3)-Ⅰ、设所有类Haar特征在训练样本集S上得到的特征值集合为矩阵A:
其中n表示训练样本集中样本的个数,m代表一张归一化为32×32的灰度图中构造的类Haar特征的个数,a11表示第1个类Haar特征在第1个样本上的值;aij表示第i个类Haar特征在第j个样本上的值,其中i∈{1,2,…,m},j∈{1,2,…,n},依此类推;
(3)-Ⅱ、进行迭代训练;
Ⅱ-1,采用基于计算积分图的方法求第i个类Haar特征在训练样本集S上的特征值,设对应的特征值构成的向量为Vec,样本xj的权值为wj,类型为yj,yj∈{-1,+1},其中1表示车,-1表示非车,Vec[j]的值为在样本xj上的特征值;
Ⅱ-2,生成候选分类位置集:
Ⅱ-2.1,对特征向量排序:将对应的特征值构成的向量Vec中的元素由小到大排序得到新的向量SortVec,设排完序后对应的类别标签向量变为Lab;
Ⅱ-2.2,构造候选分类位置集:从左向右察看所有类别标签出现变化的位置对,判断所述出现变化的位置对所对应的特征值是否相同;
若特征值不同,将所述位置对的第一个位置放入候选分类位置集中;
若特征值相同,首先向左查找与所述相同特征值不同的第一个特征值,判断该特征值对应的位置是否已包含在候选分类位置集中,若该特征值对应的位置没有包含在候选分类位置集中,则将该特征值对应的位置加入候选分类位置集中;然后再向右查找与所述相同特征值不同的第一个特征值,断该特征值对应的位置是否已包含在候选分类位置集中,若该特征值对应的位置没有包含在候选分类位置集中,则将该特征值对应的位置加入候选分类位置集中;
记得到的候选分类位置集为L={l1,l2,…,lk′},其中k′为候选分类位置的个数,每一个候选分类位置用特征值对{SortVec(j-1),SortVec(j)}来表示,记为li′,i′=1,2,…,k′;
Ⅱ-3,求最佳分类位置:从步骤Ⅱ-2.2得到的候选分类位置集L中选取一个使得分类错误最小的分类位置作为最佳分类位置τ,τ∈L;
Ⅱ-4,设置分类阈值:
Ⅱ-4.1,设当特征值小于等于SortVec[τ-1]时,类别输出为Label;设当特征值大于等于SortVec[τ]时,类别输出为-Label,其中,Label∈{-1,+1};
当特征值小于等于SortVec[τ-1]时,类别输出为Label的先验概率P1为:
当特征值大于等于SortVec[τ]时,类别输出为-Label的先验概率P2为:
其中,wj为第j个训练样本的权值,yj为第j个训练样本的真实类别;
Ⅱ-4.2,当P1=0或P2=0,直接进入(3)-Ⅲ步骤;
Ⅱ-4.3,当P1≠0并且P2≠0时,分类阈值θi,即第i个类Haar特征所对应的弱分类器分类阈值,设置方法如下:
Ⅱ-5,根据以上的阈值,在给定的样本权重分布下构造弱分类器如下:
其中SortVecj为第i个类Haar特征在第j个样本上相应的特征值,p∈{-1,+1}表示分类方向;
Ⅱ-6,计算每个弱分类器对样本集的分类错误率:
其中wj代表样本xj的权值,fi(xj)表示基于第i个类Haar特征构造的弱分类器fi对样本xj的分类结果;
Ⅱ-7,选取分类错误最小的弱分类器,并根据其分类效果对样本的权值进行更新:即分类错误的样本权值升高,而分类正确的样本权值降低;
(3)-Ⅲ、反复进行步骤(3)-Ⅱ的迭代训练过程,直至分类错误趋近于零。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102808359A CN101964063B (zh) | 2010-09-14 | 2010-09-14 | 一种改进的AdaBoost分类器构造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102808359A CN101964063B (zh) | 2010-09-14 | 2010-09-14 | 一种改进的AdaBoost分类器构造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101964063A true CN101964063A (zh) | 2011-02-02 |
CN101964063B CN101964063B (zh) | 2012-06-27 |
Family
ID=43516928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102808359A Expired - Fee Related CN101964063B (zh) | 2010-09-14 | 2010-09-14 | 一种改进的AdaBoost分类器构造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101964063B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306232A (zh) * | 2011-06-07 | 2012-01-04 | 中国电子科技集团公司第二十八研究所 | 一种针对多类辐射源的电抗特征组合的选择方法 |
CN103246897A (zh) * | 2013-05-27 | 2013-08-14 | 南京理工大学 | 一种基于AdaBoost的弱分类器内部结构调整方法 |
CN104570109A (zh) * | 2013-10-29 | 2015-04-29 | 中国石油天然气集团公司 | 一种储层油气预测的方法 |
CN105138987A (zh) * | 2015-08-26 | 2015-12-09 | 电子科技大学 | 一种基于聚合通道特征和运动估计的车辆检测方法 |
CN105447511A (zh) * | 2015-11-15 | 2016-03-30 | 安徽清新互联信息科技有限公司 | 一种基于Adaboost Haar-Like特征的SVM目标检测方法 |
CN105678755A (zh) * | 2015-12-31 | 2016-06-15 | 青岛歌尔声学科技有限公司 | 一种基于Adaboost算法的产品状态检测方法和系统 |
CN106339684A (zh) * | 2016-08-26 | 2017-01-18 | 北汽福田汽车股份有限公司 | 一种行人检测的方法、装置及车辆 |
CN107832722A (zh) * | 2017-11-17 | 2018-03-23 | 江南大学 | 一种基于AdaBoost的人脸检测分类器构造方法 |
CN107862341A (zh) * | 2017-11-27 | 2018-03-30 | 南京理工大学 | 一种车辆检测方法 |
CN108565004A (zh) * | 2018-04-24 | 2018-09-21 | 吉林大学 | 一种引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法 |
CN105069396B (zh) * | 2015-07-06 | 2018-10-30 | 河海大学 | 动态百分比特征裁剪AdaBoost人脸检测算法 |
CN110108992A (zh) * | 2019-05-24 | 2019-08-09 | 国网湖南省电力有限公司 | 基于改进随机森林算法的电缆局放故障识别方法、系统及介质 |
CN112395901A (zh) * | 2019-08-12 | 2021-02-23 | 天津大学青岛海洋技术研究院 | 一种改进型复杂环境下人脸检测定位识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7024033B2 (en) * | 2001-12-08 | 2006-04-04 | Microsoft Corp. | Method for boosting the performance of machine-learning classifiers |
CN101196991A (zh) * | 2007-12-14 | 2008-06-11 | 同济大学 | 密集客流计数和行人步行速度自动检测方法及系统 |
CN101398893A (zh) * | 2008-10-10 | 2009-04-01 | 北京科技大学 | 一种改进AdaBoost算法的鲁棒人耳检测方法 |
CN101520841A (zh) * | 2009-03-10 | 2009-09-02 | 北京航空航天大学 | 一种高清视频中的实时抗干扰车牌定位方法 |
-
2010
- 2010-09-14 CN CN2010102808359A patent/CN101964063B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7024033B2 (en) * | 2001-12-08 | 2006-04-04 | Microsoft Corp. | Method for boosting the performance of machine-learning classifiers |
CN101196991A (zh) * | 2007-12-14 | 2008-06-11 | 同济大学 | 密集客流计数和行人步行速度自动检测方法及系统 |
CN101398893A (zh) * | 2008-10-10 | 2009-04-01 | 北京科技大学 | 一种改进AdaBoost算法的鲁棒人耳检测方法 |
CN101520841A (zh) * | 2009-03-10 | 2009-09-02 | 北京航空航天大学 | 一种高清视频中的实时抗干扰车牌定位方法 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306232B (zh) * | 2011-06-07 | 2013-07-17 | 中国电子科技集团公司第二十八研究所 | 一种针对多类辐射源的电抗特征组合的选择方法 |
CN102306232A (zh) * | 2011-06-07 | 2012-01-04 | 中国电子科技集团公司第二十八研究所 | 一种针对多类辐射源的电抗特征组合的选择方法 |
CN103246897A (zh) * | 2013-05-27 | 2013-08-14 | 南京理工大学 | 一种基于AdaBoost的弱分类器内部结构调整方法 |
CN103246897B (zh) * | 2013-05-27 | 2016-04-27 | 南京理工大学 | 一种基于AdaBoost的弱分类器内部结构调整方法 |
CN104570109B (zh) * | 2013-10-29 | 2017-07-14 | 中国石油天然气集团公司 | 一种储层油气预测的方法 |
CN104570109A (zh) * | 2013-10-29 | 2015-04-29 | 中国石油天然气集团公司 | 一种储层油气预测的方法 |
CN105069396B (zh) * | 2015-07-06 | 2018-10-30 | 河海大学 | 动态百分比特征裁剪AdaBoost人脸检测算法 |
CN105138987A (zh) * | 2015-08-26 | 2015-12-09 | 电子科技大学 | 一种基于聚合通道特征和运动估计的车辆检测方法 |
CN105138987B (zh) * | 2015-08-26 | 2018-05-18 | 电子科技大学 | 一种基于聚合通道特征和运动估计的车辆检测方法 |
CN105447511B (zh) * | 2015-11-15 | 2019-02-22 | 安徽清新互联信息科技有限公司 | 一种基于Adaboost Haar-Like特征的SVM目标检测方法 |
CN105447511A (zh) * | 2015-11-15 | 2016-03-30 | 安徽清新互联信息科技有限公司 | 一种基于Adaboost Haar-Like特征的SVM目标检测方法 |
CN105678755A (zh) * | 2015-12-31 | 2016-06-15 | 青岛歌尔声学科技有限公司 | 一种基于Adaboost算法的产品状态检测方法和系统 |
CN106339684A (zh) * | 2016-08-26 | 2017-01-18 | 北汽福田汽车股份有限公司 | 一种行人检测的方法、装置及车辆 |
CN107832722A (zh) * | 2017-11-17 | 2018-03-23 | 江南大学 | 一种基于AdaBoost的人脸检测分类器构造方法 |
CN107832722B (zh) * | 2017-11-17 | 2021-05-28 | 江南大学 | 一种基于AdaBoost的人脸检测分类器构造方法 |
CN107862341A (zh) * | 2017-11-27 | 2018-03-30 | 南京理工大学 | 一种车辆检测方法 |
CN108565004A (zh) * | 2018-04-24 | 2018-09-21 | 吉林大学 | 一种引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法 |
CN108565004B (zh) * | 2018-04-24 | 2021-05-07 | 吉林大学 | 一种引入Adaboost概率矩阵分解糖尿病个性化饮食推荐方法 |
CN110108992A (zh) * | 2019-05-24 | 2019-08-09 | 国网湖南省电力有限公司 | 基于改进随机森林算法的电缆局放故障识别方法、系统及介质 |
CN112395901A (zh) * | 2019-08-12 | 2021-02-23 | 天津大学青岛海洋技术研究院 | 一种改进型复杂环境下人脸检测定位识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101964063B (zh) | 2012-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101964063B (zh) | 一种改进的AdaBoost分类器构造方法 | |
CN110163187B (zh) | 基于f-rcnn的远距离交通标志检测识别方法 | |
CN112069940B (zh) | 一种基于分阶段特征学习的跨域行人重识别方法 | |
US10706332B2 (en) | Analog circuit fault mode classification method | |
CN102982349B (zh) | 一种图像识别方法及装置 | |
CN110717554B (zh) | 图像识别方法、电子设备及存储介质 | |
CN103605990B (zh) | 基于图聚类标签传播的集成多分类器融合分类方法和系统 | |
CN101221623B (zh) | 一种物体类型的在线训练和识别方法及其系统 | |
CN105868700A (zh) | 一种基于监控视频的车型识别与跟踪方法及系统 | |
CN104850845A (zh) | 一种基于非对称卷积神经网络的交通标志识别方法 | |
CN105389583A (zh) | 图像分类器的生成方法、图像分类方法和装置 | |
CN107798351B (zh) | 一种基于深度学习神经网络的身份识别方法和系统 | |
CN102664011A (zh) | 一种快速说话人识别方法 | |
CN106845387A (zh) | 基于自学习的行人检测方法 | |
CN112560670B (zh) | 一种基于深度学习的交通标志符号与文本的检测识别方法及装置 | |
CN106934392A (zh) | 基于多任务学习卷积神经网络的车标识别及属性预测方法 | |
CN102156885A (zh) | 基于级联式码本生成的图像分类方法 | |
CN105930792A (zh) | 一种基于视频局部特征字典的人体动作分类方法 | |
CN109886147A (zh) | 一种基于单网络多任务学习的车辆多属性检测方法 | |
CN105631477A (zh) | 基于极限学习机和自适应提升的交通标志识别方法 | |
CN104463194A (zh) | 一种人车分类方法及装置 | |
CN104537359A (zh) | 一种车辆目标检测方法及装置 | |
US7233692B2 (en) | Method and computer program product for identifying output classes with multi-modal dispersion in feature space and incorporating multi-modal structure into a pattern recognition system | |
CN116259075A (zh) | 基于提示微调预训练大模型的行人属性识别方法 | |
CN105845141A (zh) | 基于信道鲁棒的说话人确认模型及说话人确认方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120627 Termination date: 20140914 |
|
EXPY | Termination of patent right or utility model |