密林

MIForests:随机树的多实例学习。多实例学习(MIL)允许从模糊标记的数据中训练分类器。在计算机视觉领域,这种学习模式最近被广泛应用于目标分类、检测和跟踪等领域。提出了一种新的随机树多实例学习算法MIForests。随机化树具有速度快、固有的并行性和多类性,因而在计算机视觉中越来越受到人们的欢迎。MIForest结合了这些分类器的优点和多实例学习的灵活性。为了利用随机树进行MIL,我们将目标包中隐藏的类标签定义为随机变量。这些随机变量通过训练随机森林并使用快速迭代同伦方法来求解非凸优化问题。此外,以前提出的大多数MIL方法以批处理或离线模式运行,因此假设可以访问整个训练集。这限制了它们在数据顺序到达的场景和动态环境中的适用性。我们展示了MIForests不仅仅局限于离线问题,而且提供了我们方法的在线扩展。在实验中,我们在标准的可视MIL基准数据集上评估MIForests,在这里我们获得了最先进的结果,同时比以前的方法更快,并且能够固有地解决多类问题。在线版的MIForests在视觉目标跟踪上进行了评估,我们的性能优于基于boosting的最新方法。

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换


zbMATH中的参考文献(参考文献4条)

显示第1到第4个结果,共4个。
按年份排序(引用)

  1. 柴静;陈波;刘、范;陈泽华;丁兴浩:基于最大迹差准则的包级和实例级多实例特征提取(2017)
  2. 柴静;陈洪涛;黄丽霞;尚凡华:最大利润率多实例特征权重(2014)ioport公司
  3. 柴静;丁星浩;陈洪涛;李婷玉:多实例判别分析(2014)ioport公司
  4. 雷斯特纳,基督徒;萨法里,阿米尔;Bischof,Horst:MIForests:随机树的多实例学习(2010)ioport公司