CN111126444A - 分类器集成方法 - Google Patents

分类器集成方法 Download PDF

Info

Publication number
CN111126444A
CN111126444A CN201911190020.9A CN201911190020A CN111126444A CN 111126444 A CN111126444 A CN 111126444A CN 201911190020 A CN201911190020 A CN 201911190020A CN 111126444 A CN111126444 A CN 111126444A
Authority
CN
China
Prior art keywords
classifier
classification
training
confidence
samples
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.)
Pending
Application number
CN201911190020.9A
Other languages
English (en)
Inventor
张羽
张昊
尚轲
毛贵超
王铨
雷韬
张月文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Jinhang Institute of Technical Physics
Original Assignee
Tianjin Jinhang Institute of Technical Physics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Jinhang Institute of Technical Physics filed Critical Tianjin Jinhang Institute of Technical Physics
Priority to CN201911190020.9A priority Critical patent/CN111126444A/zh
Publication of CN111126444A publication Critical patent/CN111126444A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明属于目标检测技术领域，具体涉及一种分类器集成方法。包括：S1：使用分类器训练方法训练满足系统实时性能需求的分类器A；S2：抽取组成分类器A的所有分类器单元对训练样本分类的分类置信度；S3：将步骤2得到的分类置信度作为新一轮训练特征训练得到分类器B；S4：将分类器A和B联合起来对待分类样本进行分类。本发明所使用的弱分类器通常具有计算简单，运算量低的特点，但分类能力却不能满足工程应用的需求，使用本发明提出的方法使得弱分类器能够以更加合理的方式集成起来，使得同样的弱分类器能够集成得到分类能力更强的强分类器。如此来提高最终的强分类器的分类性能，从而获得了更高的分类能力，可以达到工程应用的目的。

Description

分类器集成方法
技术领域
本发明属于目标检测技术领域，具体涉及一种分类器集成方法。
背景技术
在目标检测方法中，现在常用的一类方法是基于统计学习的分类器设计算法。分类器可以通过学习的方法获得。各种方法获得的分类器可分为弱分类器和强分类器。在二分情况下弱分类器的错误率会低于50％，其实任意的分类器都可以作为弱分类器，如KNN、决策树等。强学习器的识别准确率很高并且可以通过弱分类器集成获得。集成就是将不同的分类器组合在一起。集成的方法有bagging和boosting方法。Adaboost是boosting的代表算法。在机器学习方法中，AdaBoost能够将弱分类器组合起来构成强分类器，并在人脸检测等方面也得到了成功的应用。在OpenCV(开源计算机视觉库)中该算法结合Haar特征、HOG等特征得到成功实现和应用，并为广大计算机视觉研究人员使用，使其成为各种场合下目标检测应用的首选。
Adaboost方法的目的就是从训练数据集中学习一系列最佳弱分类器，这一系列的弱分类可看做组成Adaboost分类器的分类器单元，然后将这些分类器单元集成起来构成一个强分类器，最终用这个强分类器分类一个新的样本是正样本还是负样本。
Adaboost方法运行过程如下：对训练集中的每一个样本赋予一个初始权重，并在训练集中训练一个最佳弱分类器，计算出该分类器的错误率，根据错误率调整样本权重，调整后再进行训练弱分类器。通过不断的调整权重，增加弱分类器数量达到训练收敛条件。Adaboost方法示意图如图1所示。
为了从所有弱分类器中得到最终的分类结果，需要将所有的弱分类器组合起来，构成强分类器。组合的方式是让所有弱分类器投票，再对投票结果按照错误率加权求和，将投票加权求和的结果与平均投票结果比较得出最终的结果。
Figure BDA0002293330250000021
其中，
Figure BDA0002293330250000022
上述公式中ht(x)代表训练得到的弱分类器，αt代表对应弱分类器ht(x)的投票权重。其中错误率εt＝未正确分类的样本数目/所有样本数目。
平均投票结果，即假设所有的弱分类器投“赞同”票和“反对”票的概率都相同下，求出的概率平均。
Figure BDA0002293330250000023
从Adaboost算法对弱分类器的集成过程可以看到它只是采用对各弱分类器的投票权重进行简单求和并与平均值做阈值比较的方法得到强分类器，并没有充分发挥出各个弱分类器的投票权重的作用，因而应用此种方法集成得到的强分类器的性能还具有很大的提升空间。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是：如何提高弱分类器的集成效果。
(二)技术方案
为解决上述技术问题，本发明提供一种分类器集成方法，所述方法包括：
步骤S1：使用分类器训练方法训练满足系统实时性能需求的分类器A；
步骤S2：抽取组成分类器A的所有分类器单元对训练样本分类的分类置信度；
步骤S3：将步骤2得到的分类置信度作为新一轮训练特征训练得到分类器B；
步骤S4：将分类器A和B联合起来对待分类样本进行分类。
其中，所述步骤S1中，分类器A是指由若干具有分类能力的分类器单元组成的集成分类器。
其中，所述步骤S1中，所述分类器单元为：能够对待分类样本输出分类置信度的分类器单元。
所述组成分类器A的分类器单元分类能力较弱，可称为弱分类器；分类器单元自带对样本分类的准确度的评估，可称之为分类置信度。
其中，所述步骤S1中，在haar特征+adaboost分类器的情况下，组成Adaboost分类器的弱分类器的投票权重就代表了由样本特征反映出来的分类能力；因此，分类置信度、投票权重都是对分类能力或者准确度评估一种称谓。
其中，所述步骤S2中，计算分类器单元对分类样本的分类置信度作为后续步骤的输入。
其中，所述步骤S2中，在haar特征+adaboost分类器训练的情况下，其从众多haar特征中通过训练筛选得到组成分类器A的分类器单元和分类置信度；各分类器单元使用一种或者haar特征对待分类样本进行判别，并且输出判别的置信度；
Haar特征的数量非常大，但经过分类器A的训练过程，已经将众多的Haar特征过滤得到具有对样本分类判别一定能力的特征，并且分类置信度是对过滤得到的特征的分类能力的度量；
因此，分类器单元对训练样本分类的分类置信度可视为样本的一种新的特征。
其中，所述步骤S3中，选择由步骤S2抽取的对训练样本的分类置信度作为新一轮训练的特征，训练得到分类器B，也就是用分类器B对分类器A的分类器单元的分类置信度重新集成。
其中，所述步骤S3中，在haar特征+adaboost分类器训练得到的分类器A中，经过步骤S2保存的分类置信度新特征具有维数低、分类能力明确的优势，并且得到它的计算过程简单，可为工程应用打下基础；
有了简单高效的特征，可以应用更高级的分类模型来提高分类能力。在具体实施中采用SVM进行新一轮训练，得到分类器B。
其中，所述步骤S4中，对待分类样本，首先使用分类器A的分类单元对待分类样本判别得到分类置信度，再将这些分类置信度作为分类B的输入，得到对待分类样本的最终判别结果。
其中，所述方法使得弱分类器能够以更加合理的方式集成起来，使得同样的弱分类器能够集成得到分类能力更强的强分类器；如此来提高最终的强分类器的分类性能，从而获得了更高的分类能力，可以达到工程应用的目的。
(三)有益效果
与现有技术相比较，本发明对训练得到弱分类器的集成方法提出改进，使得集成得到的强分类器分类性能得到进一步提升。本发明的有益效果在于通过改进强分类器的对弱分类器的集成方法，使得集成后的分类器的分类能力得到增强。由于本发明提出的技术方案所使用的弱分类器通常具有计算简单，运算量低的特点，但分类能力却不能满足工程应用的需求，使用本发明提出的方法使得弱分类器能够以更加合理的方式集成起来，使得同样的弱分类器能够集成得到分类能力更强的强分类器。如此来提高最终的强分类器的分类性能，从而获得了更高的分类能力，可以达到工程应用的目的。
附图说明
图1为Adaboost运算方法的原理示意图。
图2为分类器训练流程示意图。
图3为分类器判别流程示意图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
为解决现有技术问题，本发明提供一种分类器集成方法，所述方法包括：
步骤S1：使用分类器训练方法训练满足系统实时性能需求的分类器A；
步骤S2：抽取组成分类器A的所有分类器单元对训练样本分类的分类置信度；
步骤S3：将步骤2得到的分类置信度作为新一轮训练特征训练得到分类器B；
步骤S4：将分类器A和B联合起来对待分类样本进行分类。
其中，所述步骤S1中，分类器A是指由若干具有分类能力的分类器单元组成的集成分类器。
其中，所述步骤S1中，所述分类器单元为：能够对待分类样本输出分类置信度的分类器单元。
所述组成分类器A的分类器单元通常分类能力较弱，可称为弱分类器；分类器单元通常自带对样本分类的准确度的评估，可称之为分类置信度。
其中，所述步骤S1中，在haar特征+adaboost分类器的情况下，组成Adaboost分类器的弱分类器的投票权重就代表了由样本特征反映出来的分类能力；因此，分类置信度、投票权重都是对分类能力或者准确度评估一种称谓。
其中，所述步骤S2中，计算分类器单元对分类样本的分类置信度作为后续步骤的输入。
其中，所述步骤S2中，在haar特征+adaboost分类器训练的情况下，其从众多haar特征中通过训练筛选得到组成分类器A的分类器单元和分类置信度；各分类器单元使用一种或者haar特征对待分类样本进行判别，并且输出判别的置信度；
Haar特征的数量非常大，但经过分类器A的训练过程，已经将众多的Haar特征过滤得到具有对样本分类判别一定能力的特征，并且分类置信度是对过滤得到的特征的分类能力的度量；
因此，分类器单元对训练样本分类的分类置信度可视为样本的一种新的特征。
其中，所述步骤S3中，选择由步骤S2抽取的对训练样本的分类置信度作为新一轮训练的特征，训练得到分类器B，也就是用分类器B对分类器A的分类器单元的分类置信度重新集成。
其中，所述步骤S3中，在haar特征+adaboost分类器训练得到的分类器A中，经过步骤S2保存的分类置信度新特征具有维数低、分类能力明确的优势，并且得到它的计算过程简单，可为工程应用打下基础；
有了简单高效的特征，可以应用更高级的分类模型来提高分类能力。在具体实施中采用SVM(支持向量机)进行新一轮训练，得到分类器B。
其中，，所述步骤S4中，对待分类样本，首先使用分类器A的分类单元对待分类样本判别得到分类置信度，再将这些分类置信度作为分类B的输入，得到对待分类样本的最终判别结果。
其中，所述方法使得弱分类器能够以更加合理的方式集成起来，使得同样的弱分类器能够集成得到分类能力更强的强分类器；如此来提高最终的强分类器的分类性能，从而获得了更高的分类能力，可以达到工程应用的目的。
实施例
本实施例包括如下步骤：
S1：使用分类器训练方法训练满足系统实时性能需求的分类器A所述步骤S1中，分类器A是指由若干具有分类能力的分类器单元组成的集成分类器。并且这些分类器单元能够对待分类样本输出分类置信度。
组成分类器A的分类单元通常分类能力较弱，可称为弱分类器。它通常自带对样本分类的准确度的评估，可称之为分类置信度。以haar特征+adaboost分类器为例，组成Adaboost分类器的弱分类器的投票权重就代表了由样本特征反映出来的分类能力。因此，分类置信度、投票权重等都是对分类能力或者准确度评估一种称谓。
S2：抽取组成分类器A的所有分类器单元对训练样本分类的置信度
所述步骤S2中，计算分类器单元对训练样本分类的置信度作为后续步骤的输入。
继续以haar特征+adaboost分类器训练为例，它从众多haar特征中通过训练筛选得到组成分类器A的分类器单元和分类置信度。各分类器单元使用一种或者haar特征对待分类样本进行判别，并且输出判别的置信度。Haar特征的数量非常大，但经过分类器A的训练过程，已经将众多的haar特征过滤得到具有对样本分类判别一定能力的特征，并且分类置信度是对过滤得到的特征的分类能力的度量。因此，分类器单元对训练样本分类的置信度可视为样本的一种新的特征。
S3：将步骤2得到的置信度作为新一轮训练特征训练得到分类器B
所述步骤S3中，选择由步骤S2抽取的对训练样本的分类的置信度作为新一轮训练的特征，训练得到分类器B，也就是用分类器B对分类器A的分类器单元的分类置信度重新集成。
在haar特征+adaboost分类器训练得到的分类器A中，经过步骤S2保存的置信度新特征具有维数低、分类能力明确的优势，并且得到它的计算过程简单，可为工程应用打下基础。有了简单高效的特征，可以应用更高级的分类模型来提高分类能力。在具体实施中我们可以采用SVM(支持向量机)进行新一轮训练，得到分类器B。
S4：将分类器A和B联合起来对待分类样本进行分类。
所述步骤S4中，对待分类样本，首先使用分类器A的分类单元对待分类样本判别得到分类置信度，再将这些分类置信度作为分类B的输入，得到对待分类样本的最终判别结果。
在本发明的实施例中，如图1所示，就是选用haar特征+adaboost作为分类器A，SVM(支持向量机)作为分类器B的分类器训练过程的流程图。如图2所示，就是选用haar特征+adaboost作为分类器A，SVM(支持向量机)作为分类器B的分类器判别过程的流程图
简单的特征经过分类器A的筛选和提升得到了分类能力更强的特征，同时保留了其简单的特性，为后续分类能力更强的分类器的应用打好了基础。通过分类器B对分类器A输出的特征二次训练提升，使得分类器A和B可以结合在一起对样本进行分类，在分类能力提升的同时，保留了初始特征使用的简便性，使得更加适合实际工程应用。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种分类器集成方法，其特征在于，所述方法包括：
步骤S1：使用分类器训练方法训练满足系统实时性能需求的分类器A；
步骤S2：抽取组成分类器A的所有分类器单元对训练样本分类的分类置信度；
步骤S3：将步骤2得到的分类置信度作为新一轮训练特征训练得到分类器B；
步骤S4：将分类器A和B联合起来对待分类样本进行分类。
2.如权利要求1所述的分类器集成方法，其特征在于，所述步骤S1中，分类器A是指由若干具有分类能力的分类器单元组成的集成分类器。
3.如权利要求2所述的分类器集成方法，其特征在于，所述步骤S1中，所述分类器单元为：能够对待分类样本输出分类置信度的分类器单元。
所述组成分类器A的分类器单元分类能力较弱，可称为弱分类器；分类器单元自带对样本分类的准确度的评估，可称之为分类置信度。
4.如权利要求3所述的分类器集成方法，其特征在于，所述步骤S1中，在haar特征+adaboost分类器的情况下，组成Adaboost分类器的弱分类器的投票权重就代表了由样本特征反映出来的分类能力；因此，分类置信度、投票权重都是对分类能力或者准确度评估一种称谓。
5.如权利要求4所述的分类器集成方法，其特征在于，所述步骤S2中，计算分类器单元对分类样本的分类置信度作为后续步骤的输入。
6.如权利要求5所述的分类器集成方法，其特征在于，所述步骤S2中，在haar特征+adaboost分类器训练的情况下，其从众多haar特征中通过训练筛选得到组成分类器A的分类器单元和分类置信度；各分类器单元使用一种或者haar特征对待分类样本进行判别，并且输出判别的置信度；
Haar特征的数量非常大，但经过分类器A的训练过程，已经将众多的Haar特征过滤得到具有对样本分类判别一定能力的特征，并且分类置信度是对过滤得到的特征的分类能力的度量；
因此，分类器单元对训练样本分类的分类置信度可视为样本的一种新的特征。
7.如权利要求6所述的分类器集成方法，其特征在于，所述步骤S3中，选择由步骤S2抽取的对训练样本的分类置信度作为新一轮训练的特征，训练得到分类器B，也就是用分类器B对分类器A的分类器单元的分类置信度重新集成。
8.如权利要求7所述的分类器集成方法，其特征在于，所述步骤S3中，在haar特征+adaboost分类器训练得到的分类器A中，经过步骤S2保存的分类置信度新特征具有维数低、分类能力明确的优势，并且得到它的计算过程简单，可为工程应用打下基础；
有了简单高效的特征，可以应用更高级的分类模型来提高分类能力。在具体实施中采用SVM进行新一轮训练，得到分类器B。
9.如权利要求8所述的分类器集成方法，其特征在于，所述步骤S4中，对待分类样本，首先使用分类器A的分类单元对待分类样本判别得到分类置信度，再将这些分类置信度作为分类B的输入，得到对待分类样本的最终判别结果。
10.如权利要求9所述的分类器集成方法，其特征在于，所述方法使得弱分类器能够以更加合理的方式集成起来，使得同样的弱分类器能够集成得到分类能力更强的强分类器；如此来提高最终的强分类器的分类性能，从而获得更高的分类能力，可以达到工程应用的目的。
CN201911190020.9A 2019-11-28 2019-11-28 分类器集成方法 Pending CN111126444A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911190020.9A CN111126444A (zh) 2019-11-28 2019-11-28 分类器集成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911190020.9A CN111126444A (zh) 2019-11-28 2019-11-28 分类器集成方法

Publications (1)

Publication Number Publication Date
CN111126444A true CN111126444A (zh) 2020-05-08

Family

ID=70496919

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911190020.9A Pending CN111126444A (zh) 2019-11-28 2019-11-28 分类器集成方法

Country Status (1)

Country Link
CN (1) CN111126444A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114167238A (zh) * 2021-12-03 2022-03-11 广东电网有限责任公司广州供电局 电缆局部放电的检测方法、装置、系统、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103208008A (zh) * 2013-03-21 2013-07-17 北京工业大学 基于机器视觉的交通视频监控目标检测快速适应方法
US20140219553A1 (en) * 2011-03-04 2014-08-07 Anton John van den HENGEL Method for improving classification results of a classifier
US8965115B1 (en) * 2013-03-14 2015-02-24 Hrl Laboratories, Llc Adaptive multi-modal detection and fusion in videos via classification-based-learning
CN104778453A (zh) * 2015-04-02 2015-07-15 杭州电子科技大学 一种基于红外行人亮度统计特征的夜间行人检测方法
KR20160037424A (ko) * 2014-09-29 2016-04-06 동명대학교산학협력단 개선된 리얼 아다부스트 알고리즘에 근거한 새로운 멀티 뷰 얼굴감지방식
CN106373394A (zh) * 2016-09-12 2017-02-01 深圳尚桥交通技术有限公司 一种基于视频和雷达的车辆检测方法及系统
CN106600046A (zh) * 2016-12-09 2017-04-26 东南大学 基于多分类器融合的土地闲置预测方法及装置
CN108596268A (zh) * 2018-05-03 2018-09-28 湖南大学 一种数据分类方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140219553A1 (en) * 2011-03-04 2014-08-07 Anton John van den HENGEL Method for improving classification results of a classifier
US8965115B1 (en) * 2013-03-14 2015-02-24 Hrl Laboratories, Llc Adaptive multi-modal detection and fusion in videos via classification-based-learning
CN103208008A (zh) * 2013-03-21 2013-07-17 北京工业大学 基于机器视觉的交通视频监控目标检测快速适应方法
KR20160037424A (ko) * 2014-09-29 2016-04-06 동명대학교산학협력단 개선된 리얼 아다부스트 알고리즘에 근거한 새로운 멀티 뷰 얼굴감지방식
CN104778453A (zh) * 2015-04-02 2015-07-15 杭州电子科技大学 一种基于红外行人亮度统计特征的夜间行人检测方法
CN106373394A (zh) * 2016-09-12 2017-02-01 深圳尚桥交通技术有限公司 一种基于视频和雷达的车辆检测方法及系统
CN106600046A (zh) * 2016-12-09 2017-04-26 东南大学 基于多分类器融合的土地闲置预测方法及装置
CN108596268A (zh) * 2018-05-03 2018-09-28 湖南大学 一种数据分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杜培军等编著: "遥感科学与进展", 28 February 2007, 中国矿业大学出版社, pages: 139 - 140 *
游生福，汪荣贵，戴经成等: "自适应嵌套级联的在线集成学习方法研究", 计算机工程与应用, vol. 50, no. 5, 9 August 2012 (2012-08-09), pages 169 - 174 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114167238A (zh) * 2021-12-03 2022-03-11 广东电网有限责任公司广州供电局 电缆局部放电的检测方法、装置、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
CN113378632B (zh) 一种基于伪标签优化的无监督域适应行人重识别方法
CN111181939B (zh) 一种基于集成学习的网络入侵检测方法及装置
CN103605972B (zh) 一种基于分块深度神经网络的非限制环境人脸验证方法
US7362892B2 (en) Self-optimizing classifier
CN111126482B (zh) 一种基于多分类器级联模型的遥感影像自动分类方法
CN110717554B (zh) 图像识别方法、电子设备及存储介质
CN110321830B (zh) 一种基于神经网络的中文字符串图片ocr识别方法
CN103150580B (zh) 一种高光谱图像半监督分类方法及装置
CN102622610B (zh) 一种基于分类器集成的手写维文字符识别方法
CN110852288B (zh) 一种基于两阶段卷积神经网络的细胞图像分类方法
CN105389593A (zh) 基于surf特征的图像物体识别方法
CN109615014A (zh) 一种基于kl散度优化的数据分类系统与方法
CN103632168A (zh) 一种机器学习中的分类器集成方法
CN108647736A (zh) 一种基于感知损失和匹配注意力机制的图像分类方法
CN104834940A (zh) 一种基于支持向量机的医疗影像检查疾病分类方法
CN103761531A (zh) 基于形状轮廓特征的稀疏编码车牌字符识别方法
CN103839033A (zh) 一种基于模糊规则的人脸识别方法
CN102156885A (zh) 基于级联式码本生成的图像分类方法
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
CN113569920B (zh) 基于自动编码的第二近邻异常检测方法
CN103631753A (zh) 递减子空间集成学习算法
US7164791B2 (en) Method and computer program product for identifying and incorporating new output classes in a pattern recognition system during system operation
CN103942572A (zh) 一种基于双向压缩数据空间维度缩减的面部表情特征提取方法和装置
CN111126444A (zh) 分类器集成方法
Rahmat et al. Tree identification to calculate the amount of palm trees using haar-cascade classifier algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination