Schnelles asymmetrisches Lernen zur Gesichtserkennung im Kaskadenverfahren

Ein Kaskadengesichtserkenner verwendet eine Sequenz von Knotenklassifikatoren, um Gesichter von Nicht-Gesichtern zu unterscheiden. Dieses Papier präsentiert einen neuen Ansatz zur Gestaltung von Knotenklassifikatoren im Kaskadenerkenner. Frühere Methoden verwendeten maschinelles Lernen, um gleichzeitig Merkmale auszuwählen und Ensemble-Klassifikatoren zu bilden. Wir argumentieren, dass wir, wenn diese beiden Teile entkoppelt sind, die Freiheit haben, einen Klassifikator zu entwerfen, der ausdrücklich die Schwierigkeiten adressiert, die durch das asymmetrische Lernziel verursacht werden. In diesem Papier gibt es drei Beiträge. Der erste ist eine Kategorisierung von Asymmetrien im Lernziel und warum sie die Gesichtserkennung erschweren. Der zweite ist der Forward Feature Selection (FFS)-Algorithmus und eine schnelle Vorausberechnungsstrategie für AdaBoost. FFS und das schnelle AdaBoost können die Trainingszeit im Vergleich zu einer naiven Implementierung der AdaBoost-Merkmalwahlmethode um ungefähr 100 und 50 Mal reduzieren. Der letzte Beitrag ist der lineare asymmetrische Klassifikator (LAC), ein Klassifikator, der das asymmetrische Lernziel explizit als gut definiertes, constraints-optimiertes Problem behandelt. Wir haben experimentell gezeigt, dass LAC zu einer verbesserten Leistung des Ensemble-Klassifikators führt.