퍼지 Adaboost를 이용한 객체 검출

DOI QR코드

DOI QR Code

김기상;최형일
Kim, Kisang;Choi, Hyung-Il

  • 투고 : 2016.03.18
  • 심사 : 2016.04.21
  • 발행 : 2016.05.28

초록

Adaboost 학습 알고리즘은 학습 단계마다 가장 좋은 특징을 선택하도록 하는 학습 알고리즘 이다. 각 학습 단계에서는 최적의 특징을 선택하기 위해 특정 임계값과 그에 대한 최소 오차율을 가지는 특징을 선택하도록 되어 있다. 하지만, 임계값을 이용하는 방법은 최적의 오차율을 검출하는데 있어 효율적인 방법이 아니다. 본 논문에서는 최적의 오차율을 검출하기 위한 퍼지 Adaboost 기법을 제안한다. 퍼지를 통해 결정 경계를 유연하게 한 Adaboost는 학습 단계가 적어도 좋은 성능을 보이는 장점이 있다. 기존의 Adaboost는 학습 전에 학습데이터에 대한 가중치를 동일하게 할당한다. 하지만, 본 논문에서는 이에 대한 가중치를 확률을 이용하여 초기 가중치를 다르게 줌으로서, 적은 학습에도 좋은 결과를 보이는 방법을 제안한다. 실험 결과에서는 기존의 Adaboost와 제안하는 방법에 대한 성능 평가를 통해, 퍼지 Adaboost가 기존 방법에 비해 좋은 결과를 보였다.

키워드

퍼지 추론;데이터 분포 분석;객체 검출

참고문헌

  1. M. Hagan, H. Demuth, M. Beale, and O. Jesus, Neural Network Design, Boston:Pws Pub., 1996.
  2. P. Viola and M. Jones, "Rapid object detection using a boosted cascade of simple features," Computer Vision and Pattern Recognition, 2001.
  3. G. Ratsch, T. Onoda, and K. Muller, "Soft margins for AdaBoost," Machine learning, Vol.42, Issue.3, pp.287-320, 2001. https://doi.org/10.1023/A:1007618119488
  4. S. Joo, S. Weon, and H. Choi, "Real-time depth-based hand detection and tracking," The Scientific World Journal, 2014.
  5. R. Lienhart and M. Jochen, "An extened set of haar-like features for rapid object detection," Image Processing, 2002
  6. J. Zhu, S. Rosset, H. Zou and T. Hastie, "Multi-class adaboost," Statistics and its Inference, Vol.2, No.3, pp.349-360, 2009.
  7. W. Hu, J. Gao, Y. Wang, O. Wu, and S. Maybank, "Online adaboost-based parameterized methods for dynamic distributed network intrusion detection," Cybermetics, IEEE transactions on, Vol.44, No.1, pp.66-82, 2014. https://doi.org/10.1109/TCYB.2013.2247592
  8. G. Hinton, S. Osindero, and Y. Teh, "A fast learning algorithm for deep belief nets," Neural computation, Vol.18, No.7, pp.1527-1554, 2006. https://doi.org/10.1162/neco.2006.18.7.1527
  9. http://www.cs.nyu.edu/ roweis/data.html
  10. http://cbcl.mit.edu/software-datasets/Pedestrian Data.html
  11. S. Lomax and S. Vadera, "A survey of cost-sensitive decision tree induction algorithms," ACM Computing Surveys (CSUR), Vol.45, Issue.2, 2013.
  12. A. Graves, A. Mohamed, and G. Hinton, "Speech recognition with deep recurrent neural networks," Acoustics, Speech and Signal Processing (ICASSP), 2013.
  13. R. Rout, "A survey on object detection and tracking algorithms," PhD Thesis, National Institute of Technology Rourkela, 2013.
  14. D. Prasad, "Survey of the Problem of Object Detection in real images," International Journal of Image Processing, Vol.6, Issue.6, pp.441-466, 2012.
  15. S. Tong and D. Koller, "Support vector machine active learning with applications to text classification," The journal of machine learning research, pp.45-66, 2001.

과제정보

연구 과제 주관 기관 : 한국연구재단