Аннотация.

В работе рассматривается современные модификации оригинального обучающего алгоритма Виолы и Джонса. Предложен модифицированный алгоритм каскадного обучения алгоритма Виолы и Джонса, основанный на новой структуре высокоуровневого классификатора. Предложенный алгоритм позволяет повысить точность распознавания, а также обеспечивает возможность дообучения. Описывается оптимизация реализованного усовершенствованного алгоритма Виолы и Джонса для архитектуры Эльбрус, позволяющая существенно увеличить быстродействие реализованного алгоритма для архитектуры Эльбрус.

Ключевые слова:

детектирование объектов, метод Виола и Джонса, архитектура Эльбрус, алгоритм классификации.

Стр. 12-23.

Полная версия статьи в формате pdf.

Литература

1. Huang C. et al. Vector boosting for rotation invariant multi-view face detection // Computer Vision, 2005. ICCV 2005. Tenth IEEE International Conference on. 2005. Vol. 1. 446–453.
2. Li S.Z., Zhang Z.Q. FloatBoost learning and statistical face detection // IEEE Trans. Pattern Anal. Mach. Intell. 2004. Vol. 26, № 9. 1112–1123.
3. Domingo C., Watanabe O. MadaBoost: A Modification of AdaBoost // Conference on Computational Learning Theory (COLT). 2000. 180–189.
4. Xiao R., Zhu L., Zhang H.-J. Boosting Chain Learning for Object Detection // ICCV ’03: Proceedings of the Ninth IEEE International Conference on Computer Vision. 2003. 709. P.
5. Wu B. et al. Fast rotation invariant multi-view face detection based on real AdaBoost // In Sixth IEEE International Conference on Automatic Face and Gesture Recognition. 2004. P. 79–84.
6. Dollár P. et al. Integral Channel Features // BMVC 2009 London Engl. 2009. 1–11.
7. Bourdev L., Brandt J. Robust Object Detection via Soft Cascade // Proceedings of the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05) - Volume 2 - Volume 02. Washington, DC, USA: IEEE Computer Society, 2005. 236–243.
8. Wu B. et al. Fast rotation invariant multi-view face detection based on real AdaBoost // In Sixth IEEE International Conference on Automatic Face and Gesture Recognition. 2004. 79–84.
9. Huang C.H.C. et al. Vector boosting for rotation invariant multi-view face detection // Tenth IEEE Int. Conf. Comput. Vis. Vol. 1. 2005. Vol. 1.
10. Норушис А. Построение логических (древообразных) классификаторов методами нисходящего поиска (обзор) // Статистические проблемы управления. Вильнюс, 1990. Vol. 93. 131–158.
11. Powers D.M.W. Evaluation: From Precision, Recall and F-Measure To Roc, Informedness, Markedness & Correlation // J. Mach. Learn. Technol. 2011. Vol. 2, № 1. 37–63.
12. Everingham M. et al. The pascal visual object classes (VOC) challenge // Int. J. Comput. Vis. 2010. Vol. 88, № 2. 303–338.
13. Ким А.К., Бычков И.Н. и др. Российские технологии “Эльбрус” для персональных компьютеров, серверов и суперкомпьютеров // Современные информационные технологиии ИТ-образование, М.: Фонд содействия развитию интернет-медиа, ИТ-образования, человеческого потенциала «Лига интернет-медиа», 2014, № 10. 39-50.
14. Ким А. К., Перекатов В. И., Ермаков С. Г. Микропроцессоры и вычислительные комплексы семейства «Эльбрус». – СПб.: Питер, 2013. – 272 С.
15. Ишин П.А., Логинов В.Е., Васильев П.П. Ускорение вычислений с использованием высокопроизводительных математических и мультимедийных библиотек для архитектуры Эльбрус // Вестник воздушно-космической обороны, М.: Научно-производственное объединение «Алмаз» им. акад. А.А. Расплетина, 2015, № 4 (8). 64-68.