JP2018520443A5 - - Google Patents
Download PDFInfo
- Publication number
- JP2018520443A5 JP2018520443A5 JP2018500704A JP2018500704A JP2018520443A5 JP 2018520443 A5 JP2018520443 A5 JP 2018520443A5 JP 2018500704 A JP2018500704 A JP 2018500704A JP 2018500704 A JP2018500704 A JP 2018500704A JP 2018520443 A5 JP2018520443 A5 JP 2018520443A5
- Authority
- JP
- Japan
- Prior art keywords
- vector
- leaf
- feature
- decision tree
- score
- 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
Claims (20)
- ディシジョンツリーベースの適応ブースティング分類器におけるオブジェクト分類のための方法であって、
単一命令多重データ(SIMD)プロセッサによってメモリから、前記メモリに格納された画像におけるN個の連続ウィンドウ位置から抽出される特徴ベクトルを引き出すことであって、Nが、特徴のビットサイズで除算される前記SIMDプロセッサのベクトル幅であり、特徴ベクトルが、前記N個の連続ウィンドウ位置の各々に対して1つの特徴値の、N個の特徴値を含む、前記引き出すことと、
前記特徴ベクトルと前記SIMDプロセッサのベクトル命令とを用いて前記SIMDプロセッサによって前記N個の連続ウィンドウ位置を同時に評価することであって、前記SIMDプロセッサが、前記N個の連続ウィンドウ位置についてディシジョンツリーを同時にトラバースし、ディシジョンツリーが、複数のノードと各ノードについての閾値と複数のリーフとを含み、各リーフが部分スコアを含む、前記評価することと、
を含む、方法。 - 請求項1に記載の方法であって、
前記N個の連続ウィンドウ位置を評価することが、
前記SIMDプロセッサのベクトルロード命令を用いて複数の前記特徴ベクトルをロードすることであって、前記適応ブースティング分類器の1つのディシジョンツリーの各ノードに対して1つの特徴ベクトルがロードされる、前記ロードすることと、
各ノードに対するマスクベクトルを生成するために、前記SIMDプロセッサのベクトル比較命令を用いて各特徴ベクトルを対応する閾値ベクトルと比較することであって、前記対応する閾値ベクトルが、前記特徴ベクトルに対応する前記ノードについての前記閾値のN個のコピーを含み、前記マスクベクトルが、前記特徴ベクトルの前記N個の特徴の各々に対して1つの比較結果の、N個の比較結果を含む、前記比較することと、
前記マスクベクトルと前記ディシジョンツリーの前記リーフの前記部分スコア値とに基づいて部分スコアベクトルを生成することであって、前記部分スコアベクトルが、前記N個の連続ウィンドウ位置の各々に対して1つの部分スコア値の、N個の部分スコア値を含む、前記部分スコアベクトルを生成することと、
前記部分スコア値を累積されたスコアベクトルへと累積することであって、前記累積されたスコアベクトルが、前記N個の連続ウィンドウ位置の各々に対して1つの累積されたスコア値の、N個の累積されたスコア値を含む、前記累積することと、
前記N個の連続ウィンドウ位置の1つ又は複数についてオブジェクト分類の終了を決定するために、前記SIMDプロセッサのベクトル比較命令を用いて前記累積されたスコアベクトルを出口閾値ベクトルと比較することと、
を含む、方法。 - 請求項2に記載の方法であって、
前記部分スコアベクトルを生成することが、
前記マスクベクトルに基づいて前記ディシジョンツリーの前記リーフの各々についてリーフ選択マスクベクトルを生成することであって、前記リーフ選択マスクベクトルが、前記リーフ選択マスクベクトルに対応する前記リーフに達する前記1つのディシジョンツリーのトラバースパスにおけるノードについてのマスクベクトルの論理結合である、前記生成することと、
前記N個の連続ウィンドウ位置の各々について部分スコア値を前記リーフベクトルから選択するために、各リーフ選択マスクベクトルの対応するリーフベクトルとの論理AND演算を実施することであって、前記対応するリーフベクトルが、前記リーフの部分スコアのN個のコピーを含む、前記実施することと、
を含む、方法。 - 請求項1に記載の方法であって、
前記ディシジョンツリーが2レベル2進ディシジョンツリーである、方法。 - 請求項1に記載の方法であって、
前記適応ブースティング分類器が歩行者分類についてトレーニングされる、方法。 - 請求項1に記載の方法であって、
前記SIMDプロセッサがデジタルシグナルプロセッサである、方法。 - デジタルシステムであって、
単一命令多重データ(SIMD)プロセッサと、
前記SIMDプロセッサに結合される持続性コンピュータ可読記憶媒体であって、
画像から抽出される特徴と、
複数のディシジョンツリーであって、各ディシジョンツリーが、複数のノードと複数のリーフとを含み、各リーフが部分スコアを含む、前記複数のディシジョンツリーと、
前記SIMDプロセッサによって実行されるプログラムであって、オブジェクト分類についてトレーニングされるディシジョンツリーベースの適応ブースティング分類器のための命令を含み、前記命令が、前記特徴と前記SIMDプロセッサのベクトル命令とを用いてN個の連続ウィンドウ位置を同時に評価するためのものであり、前記SIMDプロセッサが、前記N個の連続ウィンドウ位置についてディシジョンツリーを同時にトラバースし、Nが、特徴のビットサイズで除算される前記SIMDプロセッサのベクトル幅である、前記プログラムと、
を格納する、前記持続性コンピュータ可読記憶媒体と、
を含む、デジタルシステム。 - 請求項7に記載のデジタルシステムであって、
前記プログラムが、前記画像における前記N個の連続ウィンドウ位置から前記特徴を抽出するための命令を更に含む、デジタルシステム。 - 請求項8に記載のデジタルシステムであって、
前記SIMDプロセッサに結合されるカメラであって、前記画像を提供する、前記カメラを更に含む、デジタルシステム。 - 請求項7に記載のデジタルシステムであって、
前記プログラムが、前記N個の連続ウィンドウ位置を評価するための命令を更に含み、前記評価することが、
前記SIMDプロセッサのベクトルロード命令を用いて前記持続性コンピュータ可読記憶媒体から複数の特徴ベクトルをロードすることであって、前記複数のディシジョンツリーの1つのディシジョンツリーの各ノードに対して1つの特徴ベクトルがロードされ、前記特徴ベクトルが、前記N個の連続ウィンドウ位置の各々に対して1つの特徴値の、N個の特徴値を含む、前記ロードすることと、
各ノードに対するマスクベクトルを生成するために、前記SIMDプロセッサのベクトル比較命令を用いて各特徴ベクトルを対応する閾値ベクトルと比較することであって、前記対応する閾値ベクトルが、前記特徴ベクトルに対応する前記ノードについての前記閾値のN個のコピーを含み、前記マスクベクトルが、前記特徴ベクトルの前記N個の特徴の各々に対して1つの比較結果の、N個の比較結果を含む、前記比較することと、
前記マスクベクトルと前記ディシジョンツリーの前記リーフの前記部分スコア値とに基づいて部分スコアベクトルを生成することであって、前記部分スコアベクトルが、前記N個の連続ウィンドウ位置の各々に対して1つの部分スコア値の、N個の部分スコア値を含む、前記部分スコアベクトルを生成することと、
前記部分スコア値を累積して累積されたスコアベクトルにすることであって、前記累積されたスコアベクトルが、前記N個の連続ウィンドウ位置の各々に対して1つの累積されたスコア値の、N個の累積されたスコア値を含む、前記累積することと、
前記N個の連続ウィンドウ位置の1つ又は複数についてオブジェクト分類の終了を決定するために、前記SIMDプロセッサのベクトル比較命令を用いて前記累積されたスコアベクトルを出口閾値ベクトルと比較することと、
によって成される、デジタルシステム。 - 請求項10に記載のデジタルシステムであって、
前記部分スコアベクトルを生成することが、
前記マスクベクトルに基づいて前記ディシジョンツリーの前記リーフの各々についてリーフ選択マスクベクトルを生成することであって、前記リーフ選択マスクベクトルが、前記リーフ選択マスクベクトルに対応する前記リーフに達する前記1つのディシジョンツリーのトラバースパスにおけるノードについてのマスクベクトルの論理結合である、前記リーフ選択マスクベクトルを生成することと、
前記N個のウィンドウ位置の各々について前記リーフベクトルから部分スコア値を選択するために、各リーフ選択マスクベクトルの対応するリーフベクトルとの論理AND演算を実施することであって、前記対応するリーフベクトルが前記リーフの部分スコアのN個のコピーを含む、前記論理AND演算を実施することと、
を含む、デジタルシステム。 - 請求項7に記載のデジタルシステムであって、
前記ディシジョンツリーが2レベル2進ディシジョンツリーである、デジタルシステム。 - 請求項7に記載のデジタルシステムであって、
前記適応ブースティング分類器が歩行者分類についてトレーニングされる、デジタルシステム。 - 請求項7に記載のデジタルシステムであって、
前記SIMDプロセッサがデジタルシグナルプロセッサである、デジタルシステム。 - 単一命令多重データ(SIMD)プロセッサよって実行される、ディシジョンツリーベースの適応ブースティング分類器における物体分類のためのプログラムをストアする非一時的コンピュータ可読記憶媒体であって、前記プログラムが、
画像におけるN個の連続ウィンドウ位置から抽出される特徴ベクトルを前記非一時的コンピュータ可読記憶媒体から引き出すことであって、Nが、特徴のビットサイズで除算される前記SIMDプロセッサのベクトル幅であり、特徴ベクトルが、前記N個の連続ウィンドウ位置の各々に対して1つの特徴値の、N個の特徴値を含む、前記特徴ベクトルを引き出すことと、
前記特徴ベクトルと前記SIMDプロセッサのベクトル命令とを用いて前記N個の連続ウィンドウ位置を同時に評価し、前記N個の連続ウィンドウ位置についてディシジョンツリーを同時にトラバースすることであって、ディシジョンツリーが、複数のノードと各ノードについての閾値と複数のリーフとを含み、各リーフが部分スコアを含む、前記評価してトラバースすることと、
のための命令を含む、非一時的コンピュータ可読媒体。 - 請求項15に記載の非一時的コンピュータ可読記憶媒体であって、
前記N個の連続ウィンドウ位置を評価するための命令が、
前記SIMDプロセッサのベクトルロード命令を用いて複数の前記特徴ベクトルをロードすることであって、前記適応ブースティング分類器の1つのディシジョンツリーの各ノードに対して1つの特徴ベクトルがロードされる、前記複数の特徴ベクトルをロードすることと、
各ノードに対してマスクベクトルを生成するために、前記SIMDプロセッサのベクトル比較命令を用いて各特徴ベクトルを対応する閾値ベクトルと比較することであって、前記対応する閾値ベクトルが、前記特徴ベクトルに対応する前記ノードについての前記閾値のN個のコピーを含み、前記マスクベクトルが、前記特徴ベクトルの前記N個の特徴の各々に対して1つの比較結果の、N個の比較結果を含む、前記比較することと、
前記マスクベクトルと前記ディシジョンツリーの前記リーフの前記部分スコア値とに基づいて部分スコアベクトルを生成することであって、前記部分スコアベクトルが、前記N個の連続ウィンドウ位置の各々に対して1つの部分スコア値の、N個の部分スコア値を含む、前記部分スコアベクトルを生成することと、
前記部分スコア値を累積して累積されたスコアベクトルにすることであって、前記累積されたスコアベクトルが、前記N個の連続ウィンドウ位置の各々に対して1つの累積されたスコア値の、N個の累積されたスコア値を含む、前記累積することと、
前記N個の連続ウィンドウ位置の1つ又は複数についてオブジェクト分類の終了を決定するために、前記SIMDプロセッサのベクトル比較命令を用いて前記累積されたスコアベクトルを出口閾値ベクトルと比較することと、
のための命令を含む、非一時的コンピュータ可読記憶媒体。 - 請求項16に記載の非一時的コンピュータ可読記憶媒体であって、
前記部分スコアベクトルを生成するための命令が、
前記マスクベクトルに基づいて前記ディシジョンツリーの前記リーフの各々についてリーフ選択マスクベクトルを生成することであって、前記リーフ選択マスクベクトルが、前記リーフ選択マスクベクトルに対応する前記リーフに達する前記1つのディシジョンツリーのトラバースパスにおけるノードについてのマスクベクトルの論理結合である、前記リーフ選択マスクベクトルを生成することと、
前記N個のウィンドウ位置の各々について前記リーフベクトルから部分スコア値を選択するために、各リーフ選択マスクベクトルの、対応するリーフベクトルとの論理AND演算を実施することであって、対応するリーフベクトルが前記リーフの部分スコアのN個のコピーを含む、前記論理AND演算を実施することと、
のための命令を含む、非一時的コンピュータ可読記憶媒体。 - 請求項15に記載の非一時的コンピュータ可読記憶媒体であって、
前記ディシジョンツリーが2レベル2進ディシジョンツリーである、非一時的コンピュータ可読記憶媒体。 - 請求項15に記載の非一時的コンピュータ可読記憶媒体であって、
前記適応ブースティング分類器が歩行者分類についてトレーニングされる、非一時的コンピュータ可読記憶媒体。 - 請求項15に記載の非一時的コンピュータ可読記憶媒体であって、
前記SIMDプロセッサがデジタルシグナルプロセッサである、非一時的コンピュータ可読記憶媒体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022176623A JP2023022031A (ja) | 2015-07-06 | 2022-11-02 | 適応ブースティング(afdaboost)分類器における効率的なディシジョンツリートラバース |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/792,596 | 2015-07-06 | ||
US14/792,596 US10325204B2 (en) | 2015-07-06 | 2015-07-06 | Efficient decision tree traversal in an adaptive boosting (AdaBoost) classifier |
PCT/US2016/041159 WO2017007831A1 (en) | 2015-07-06 | 2016-07-06 | Efficient decision tree traversals in an adaptive boosting (adaboost) classifier |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022176623A Division JP2023022031A (ja) | 2015-07-06 | 2022-11-02 | 適応ブースティング(afdaboost)分類器における効率的なディシジョンツリートラバース |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2018520443A JP2018520443A (ja) | 2018-07-26 |
JP2018520443A5 true JP2018520443A5 (ja) | 2019-07-18 |
JP7242975B2 JP7242975B2 (ja) | 2023-03-22 |
Family
ID=57686191
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018500704A Active JP7242975B2 (ja) | 2015-07-06 | 2016-07-06 | ディシジョンツリーベースの適応ブースティング分類器におけるオブジェクト分類のための方法、デジタルシステム、並びに非一時的コンピュータ可読記憶媒体 |
JP2022176623A Pending JP2023022031A (ja) | 2015-07-06 | 2022-11-02 | 適応ブースティング(afdaboost)分類器における効率的なディシジョンツリートラバース |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022176623A Pending JP2023022031A (ja) | 2015-07-06 | 2022-11-02 | 適応ブースティング(afdaboost)分類器における効率的なディシジョンツリートラバース |
Country Status (5)
Country | Link |
---|---|
US (2) | US10325204B2 (ja) |
EP (1) | EP3320488A4 (ja) |
JP (2) | JP7242975B2 (ja) |
CN (1) | CN107851197B (ja) |
WO (1) | WO2017007831A1 (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10268923B2 (en) * | 2015-12-29 | 2019-04-23 | Bar-Ilan University | Method and system for dynamic updating of classifier parameters based on dynamic buffers |
US11449789B2 (en) * | 2016-02-16 | 2022-09-20 | Micro Focus Llc | System and method for hierarchical classification |
US10579493B2 (en) * | 2016-08-22 | 2020-03-03 | Oath Inc. | Systems and methods for determining user engagement with electronic devices |
CN106650806B (zh) * | 2016-12-16 | 2019-07-26 | 北京大学深圳研究生院 | 一种用于行人检测的协同式深度网络模型方法 |
CN107403424B (zh) * | 2017-04-11 | 2020-09-18 | 阿里巴巴集团控股有限公司 | 一种基于图像的车辆定损方法、装置及电子设备 |
JP7069898B2 (ja) * | 2018-03-16 | 2022-05-18 | 株式会社リコー | 学習識別装置および学習識別方法 |
US11144637B1 (en) * | 2018-08-24 | 2021-10-12 | Ca, Inc. | Systems and methods for executing decision trees |
CN111046926B (zh) * | 2019-11-26 | 2023-09-19 | 山东浪潮科学研究院有限公司 | 一种计算机视觉图像分类集成学习方法 |
US20230237097A1 (en) * | 2020-06-25 | 2023-07-27 | Nec Corporation | Information processing device, information processing method, and recording medium |
US11971953B2 (en) | 2021-02-02 | 2024-04-30 | Inait Sa | Machine annotation of photographic images |
JP2024506691A (ja) | 2021-02-18 | 2024-02-14 | アイエヌエイアイティ エスエイ | 2d画像において視認可能な使用形跡を使用した3dモデルの注釈付け |
US11544914B2 (en) | 2021-02-18 | 2023-01-03 | Inait Sa | Annotation of 3D models with signs of use visible in 2D images |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2642039B2 (ja) | 1992-05-22 | 1997-08-20 | インターナショナル・ビジネス・マシーンズ・コーポレイション | アレイ・プロセッサ |
US7515756B2 (en) * | 2003-06-23 | 2009-04-07 | Shoestring Research, Llc. | Region segmentation and characterization systems and methods for augmented reality |
CN100560025C (zh) * | 2007-07-26 | 2009-11-18 | 上海交通大学 | 带有弱分类器的组合系数的人脸检测方法 |
CN101236608B (zh) * | 2008-01-25 | 2010-08-04 | 清华大学 | 基于图片几何结构的人脸检测方法 |
US8533129B2 (en) | 2008-09-16 | 2013-09-10 | Yahoo! Inc. | Efficient data layout techniques for fast machine learning-based document ranking |
US8923631B2 (en) * | 2011-08-17 | 2014-12-30 | Volcano Corporation | Method and device for classifying vascular objects using classification trees evaluated on a graphics processing unit |
US8923585B1 (en) | 2012-01-31 | 2014-12-30 | Given Imaging Ltd. | Method and system for image-based ulcer detection |
US9235769B2 (en) * | 2012-03-15 | 2016-01-12 | Herta Security, S.L. | Parallel object detection method for heterogeneous multithreaded microarchitectures |
CN103902591B (zh) * | 2012-12-27 | 2019-04-23 | 中国科学院深圳先进技术研究院 | 构建决策树分类器的方法及装置 |
US9971959B2 (en) | 2013-03-15 | 2018-05-15 | Nvidia Corporation | Performing object detection operations via a graphics processing unit |
US20150036942A1 (en) * | 2013-07-31 | 2015-02-05 | Lsi Corporation | Object recognition and tracking using a classifier comprising cascaded stages of multiple decision trees |
US9286217B2 (en) * | 2013-08-26 | 2016-03-15 | Qualcomm Incorporated | Systems and methods for memory utilization for object detection |
-
2015
- 2015-07-06 US US14/792,596 patent/US10325204B2/en active Active
-
2016
- 2016-07-06 EP EP16821919.4A patent/EP3320488A4/en active Pending
- 2016-07-06 CN CN201680039290.8A patent/CN107851197B/zh active Active
- 2016-07-06 JP JP2018500704A patent/JP7242975B2/ja active Active
- 2016-07-06 WO PCT/US2016/041159 patent/WO2017007831A1/en active Application Filing
-
2019
- 2019-04-22 US US16/390,082 patent/US10977560B2/en active Active
-
2022
- 2022-11-02 JP JP2022176623A patent/JP2023022031A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2018520443A5 (ja) | ||
US9053358B2 (en) | Learning device for generating a classifier for detection of a target | |
JP2017531240A5 (ja) | ||
JP2021514497A5 (ja) | ||
JP2016522910A5 (ja) | ||
JP2017508197A5 (ja) | ||
US20190251451A1 (en) | Efficient decision tree traversal in an adaptive boosting (adaboost) classifier | |
JP2014505959A5 (ja) | ||
US9761221B2 (en) | Order statistic techniques for neural networks | |
JP2018527677A5 (ja) | ||
JP2014131277A5 (ja) | 文書を表す二値画像を圧縮する方法及びプログラム | |
JP2020527812A5 (ja) | ||
US9570069B2 (en) | Sectioned memory networks for online word-spotting in continuous speech | |
JP2016522927A5 (ja) | ||
JP2014511526A5 (ja) | ||
JP2017502500A5 (ja) | ||
Dai et al. | Fudan-NJUST at MediaEval 2014: Violent Scenes Detection Using Deep Neural Networks. | |
JP2016512908A5 (ja) | ||
Wang et al. | Deep alternative neural network: Exploring contexts as early as possible for action recognition | |
JP2017527013A5 (ja) | ||
Zhang et al. | Bing++: A fast high quality object proposal generator at 100fps | |
US11176455B2 (en) | Learning data generation apparatus and learning data generation method | |
JP2014160456A (ja) | 疎変数最適化装置、疎変数最適化方法および疎変数最適化プログラム | |
EP3869450A1 (en) | Information processing device, information processing method, and program | |
JP2018057869A5 (ja) |