Key points are not available for this paper at this time.
Boosting wurde in der Computer Vision weit verbreitet angewendet, insbesondere nach der bahnbrechenden Arbeit von Viola und Jones. Die Verbindung von rechteckigen Merkmalen und der Verwendung von Integralbildern für schnelle Berechnungen macht Boosting für viele Anwendungen in der Vision attraktiv. Diese populäre Methode der Anwendung von Boosting nutzt jedoch normalerweise ein erschöpfendes Merkmalsektionsschema aus einem sehr großen Hypothesenpool, was zu einem weniger effizienten Lernprozess führt. Darüber hinaus stellt dies eine zusätzliche Einschränkung dar, Boosting in einer Online-Form anzuwenden, bei der eine erneute Merkmalsauswahl oft notwendig ist, aufgrund variierender Datenmerkmale, aber aufgrund des riesigen Hypothesenpools impraktikabel ist. Dieses Papier schlägt einen gradientenbasierten Ansatz zur Merkmalsauswahl vor. Angenommen, es liegt ein allgemein trainiertes Merkmalset und gekennzeichnete Proben vor, aktualisiert unser Ansatz iterativ jedes Merkmal unter Verwendung des Gradientenabstiegs, indem der gewichtete quadratische Fehler zwischen der geschätzten Merkmalsantwort und dem wahren Label minimiert wird. Darüber hinaus integrieren wir die gradientenbasierte Merkmalsauswahl mit einem Online-Boosting-Rahmen. Dieser neue Online-Boosting-Algorithmus bietet nicht nur eine effiziente Möglichkeit zur Aktualisierung des diskriminierenden Merkmalssatzes, sondern präsentiert auch ein einheitliches Ziel sowohl für die Merkmalsauswahl als auch für die Aktualisierung des schwachen Klassifizierers. Experimente zur Personenerkennung und -verfolgung zeigen die Effektivität unseres Vorschlags.
Liu et al. (Mon,) haben diese Frage untersucht.