注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 改进的AdaBoost分类器在视频中的体育场景检测

  2. 摘要：提出了一种使用改进的AdaBoost分类器来检测体育场景的方法。将电视新闻中的体育场景分为三类：草地运动，冰雪运动和人造场地运动。针对这几种不同的体育场景，提取颜色直方图、边缘方向直方图和共生矩阵纹理等3种低层视觉特征，然后用改进的可自动选择特征boosting方法为每一类体育场景分别建立AdaBoost分类器。该文提出的方法应用在国际视频处理评测TRECVID2003中的“体 育场景”语义特征抽取任务上，取得了很好的效果。

  3. 所属分类：专业指导

    • 发布日期：2010-06-17
    • 文件大小：115712
    • 提供者：zpp100

  1. 动态权值预划分实值Adaboost人脸检测算法

  2. 摘要：提出了Real-Adaboost的一种改进算法。该算法采用预先计算类Haar特征所对应弱分类器在样本空间的划分，并动态更新人脸训练样本的权值。与以往的Real-Adaboost算法比较，该算法大大缩短了训练时间，算法训练时间复杂度降到O(T*M*N)，同时加速了强分类器的收敛性能，减少检测器的弱分类器数量，减少检测时间。

  3. 所属分类：其它

    • 发布日期：2010-06-17
    • 文件大小：180224
    • 提供者：zpp100

  1. adaboost弱分类器的mfc程序代码

  2. 这个源码很好，是利用多个弱分类器组成一个强分类器，比如视频当中的人车分离可以用adaboost

  3. 所属分类：C++

    • 发布日期：2011-03-04
    • 文件大小：146432
    • 提供者：abyssecho

  1. BP_Adaboost的强分类器程序设计

  2. BP_Adaboost的强分类器程序设计：matlab程序代码。BP神经网络作为弱预测器，然后根据一定的算法设计强分类器。

  3. 所属分类：C/C++

    • 发布日期：2011-07-18
    • 文件大小：2048
    • 提供者：yingzi19870808

  1. 一种新的改进AdaBoost弱分类器训练算法

  2. 一种新的改进AdaBoost弱分类器训练算法

  3. 所属分类：专业指导

  1. 基于树型弱分类器的adaboost演示程序(matlab)

  2. 基于树型弱分类器的adaboost演示程序(matlab) 详细参考我的博客： http://blog.csdn.net/ranchlai/article/details/10586069

  3. 所属分类：其它

    • 发布日期：2013-08-30
    • 文件大小：32768
    • 提供者：ranchlai

  1. BOOSTING分类器

  2. Boosting, 也称为增强学习或提升法 , 是一种重要的集成学习技术 , 能够将预测精度仅比随 机猜度略高的弱学习器增强为预测精度高的强学习器 , 这在直接构造强学习器非常困难的 情况下 , 为学习算法的设计提供了一种有效的新思路和新方法 . 作为一种元算法框架 , Boosting 几乎可以应用于所有目前流行的机器学习算法以进一步加强原算法的预测精度 , 应用十分广泛 , 产生了极大的影响 . 而 AdaBoost 正是其中最成功的代表 , 被评为数据挖掘 十大算法之一

  3. 所属分类：专业指导

    • 发布日期：2015-03-20
    • 文件大小：515072
    • 提供者：yinghuochong819

  1. C++实现AdaBoost算法(机器学习 Boost)

  2. C++实现机器学习AdaBoost算法(提升算法:多个弱分类器组成一个强分类器).代码干净,整洁,有注释可直接使用.

  3. 所属分类：C++

    • 发布日期：2015-07-27
    • 文件大小：10240
    • 提供者：theone_jie

  1. 剪枝分类器(matlab)

  2. 剪枝分类器，一种弱分类器，分类效果仅仅比随机猜好一点，可用于baging boosting对该分类器进行独立和依次学习，构成强分类器

  3. 所属分类：其它

    • 发布日期：2016-06-11
    • 文件大小：949
    • 提供者：sinat_28357525

  1. 学习从具有高维数据的不纯样本中进行分类

  2. 实际分类任务中的一个持续挑战是标记训练集并非总是可用。 在粒子物理学中，通过使用模拟克服了这一挑战。 这些模拟可以准确地重现数据的大多数特征，但不能可靠地捕获现代机器学习方法可利用的所有复杂关联。 在弱监督学习中的最新工作表明，仅使用数据中存在的不纯混合即可训练简单的低维分类器。 在这里，我们证明了复杂的高维分类器也可以使用弱监督技术对不纯混合物进行训练，其性能与纯样品可以实现的相当。 因此，使用弱监督将使我们避免完全依赖于模拟来进行高维分类。 这项工作为新体制打开了一扇门，在这种体制下，可以直

  3. 所属分类：其它

    • 发布日期：2020-04-04
    • 文件大小：342016
    • 提供者：weixin_38500944

  1. 基于Adaboost和CART结合的优化分类算法

  2. 提出了一种基于Adaboost算法和CART算法结合的分类算法。以特征为节点生成CART二叉树，用CART二叉树代替传统Adaboost算法中的弱分类器，再由这些弱分类器生成强分类器。将强分类器对数字样本和人脸样本分类，与传统Adaboost算法相比，该方法的错误率分别减少20%和86.5%。将分类器应用于目标检测上，实现了对这两种目标的快速检测和定位。结果表明，改进算法既减小了对样本分类的错误率，又保持了传统Adboost算法对目标检测的快速性。

  3. 所属分类：其它

    • 发布日期：2020-10-19
    • 文件大小：522240
    • 提供者：weixin_38623366

  1. 基于分步特征提取和组合分类器的电信客户流失预测模型

  2. 针对电信客户流失数据集存在的数据维度过高及单一分类器预测效果较弱的问题，结合过滤式和封装式特征选择方法的优点及组合分类器的较高预测能力，提出了一种基于Fisher比率与预测风险准则的分步特征选择方法结合组合分类器的电信客户流失预测模型。首先，基于Fisher比率从原始特征集合中提取具有较高判别能力的特征；其次，采用预测风险准则进一步选取对分类模型预测效果影响较大的特征；最后，构建基于平均概率输出和加权概率输出的组合分类器，以进一步提高客户流失预测效果。实验结果表明，相对于单步特征提取和单分类器模

  3. 所属分类：其它

    • 发布日期：2020-10-16
    • 文件大小：323584
    • 提供者：weixin_38706045

  1. (四)OpenCV级联分类器训练与使用_01_Haar与LBP级联分类器原理

  2. ①Haar特征与LBP特征 小波特征+对角线特征“类Haar特征”,局部二值模式“替代特征LBP”。 ②级联分类器原理AdaBoost Viola和Jones,2001在CVPR提出; 一种实时对象(人脸)检测框架; 训练速度非常慢,检测速度非常快; 5000个正向人脸样本与300万个非人脸负样本数据。 级联分类器:多个强分类器组合 弱分类器:weak classifier = Feature 强分类器:多个弱分类器的线性组合 ③OpenCV中级联分类器使用CascadeClassifier 加

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：142336
    • 提供者：weixin_38663169

  1. Supervised-learning-of-Many-Body-Localization:一种简单的神经网络结构，用于对多体局部（MBL）和热化相进行分类-源码

  2. 工作正在进行中 许多身体的监督学习 一个简单的神经网络结构，使用纠缠谱作为输入数据，对多体局部和热相进行分类。 该项目的灵感来自Mehta等人撰写的出色的关于物理的机器学习。 Al和随附的Jupyter笔记本。 网络可以采用纠缠谱或波函数（平方）作为输入。 因此，网络的结构（层数，神经元等）将相应更改，以实现最佳性能。 可以使用Keras 提供的贝叶斯优化或Hyperband方法估计最佳超参数。 使用适度的数据量（O（10 ^ 4）项），分类器在测试集上实现了近100％的准确性。 哈密​​

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：17825792
    • 提供者：weixin_42107491

  1. 虹膜和面部生物特征识别的基于Bin的弱分类器融合

  2. 虹膜和面部生物特征识别的基于Bin的弱分类器融合

  3. 所属分类：其它

    • 发布日期：2021-03-04
    • 文件大小：1048576
    • 提供者：weixin_38624746

  1. ISABoost：基于弱分类器内部结构调整的AdaBoost算法-基于ISABoost的场景分类应用

  2. AdaBoost算法通过自适应确定弱分类器的融合权重，将弱分类器融合为强分类器。 本文提出了一种通过调整弱分类器的内部结构的增强型AdaBoost算法（ISABoost）。 在传统的AdaBoost算法中，弱分类器一旦训练就不会改变。 在ISABoost中，弱分类器的内部结构会在确定融合权重之前进行调整。 ISABoost继承了AdaBoost算法的优势，可以将弱分类器融合为强分类器。 ISABoost给每个弱分类器第二次被调整为更强的机会。 调整后的弱分类器有助于对最困难的样本进行正确的分类。

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：959488
    • 提供者：weixin_38535812

  1. 自适应特征筛选的地雷目标AdaBoost分类器

  2. 为解决前视地表穿透虚拟孔径雷达中地雷的分类问题,在传统AdaBoost算法的基础上,将特征选择作为弱分类器迭代的一部分,并将恒探测率下的虚警率作为特征选择的代价函数,提出一种基于弱分类器迭代及自适应特征选择的分类算法。通过实测数据验证,该分类算法适用于前视地表穿透虚拟孔径雷达中地雷与杂波的分类,同传统AdaBoost算法相比,分类性能有很大改善。

  3. 所属分类：其它

    • 发布日期：2021-02-21
    • 文件大小：801792
    • 提供者：weixin_38607088

  1. AdaboostOnMNIST：这是Adaboost算法的实现，它使用两个不同的弱学习器从头开始实施：决策树分类器和梯度提升分类器。 Adaboost在MNIST上运行以告知奇数和偶数。 经过scikit Learn模型的adaboost测

  2. AdaboostOnMNIST 这是使用两个不同的弱学习者从头开始实现Adaboost算法的方法：决策树分类器和梯度提升分类器。 Adaboost在MNIST上运行以告知奇数和偶数。 经过scikit Learn模型的adaboost测试，并获得了更高的分数。 最小的训练误差为％1.8，在7次迭代中进行了梯度增强。 函数调用为adaboost（X_train，Y_train，inversions_t，Classifier_type），有两种类型的分类器，“ Gradient_Boost”和“

  3. 所属分类：其它

    • 发布日期：2021-02-17
    • 文件大小：2048
    • 提供者：weixin_42122986

  1. 基于拟合型弱分类器的AdaBoost算法

  2. 针对AdaBoost算法通过最小化训练错误率来选择弱分类器造成的精度不佳问题以及单阈值作为弱分类器训练过程较慢难以收敛问题，提出了一种基于拟合型弱分类器的AdaBoost算法。首先针对每个特征，在特征值与标记值之间建立映射关系，引入最小二乘法求解拟合多项式函数，并转换成离散分类值，从而获得弱分类器。其次从获得的众多弱分类器中，选择分类误差最小的弱分类器作为本轮迭代的最佳弱分类器，构成新的 AdaBoost 强分类器。与传统训练算法相比，极大地减少了待选弱分类器的个数。选取 UCI 数据集和MIT

  3. 所属分类：其它

    • 发布日期：2021-01-19
    • 文件大小：1048576
    • 提供者：weixin_38743054

  1. 基于弱分类器集成的车联网虚假交通信息检测

  2. 车联网中车辆以自组织的方式相互报告交通信息，开放的网络环境需要甄别消息，然而，要快速移动的车辆在短时间内检测出大量的交通警报信息是非常困难的。针对这一问题，提出一种基于弱分类器集成的虚假交通信息检测方法。首先，扩充交通警报信息的有效特征，并设计分割规则，将信息的特征集划分为多个特征子集；然后，根据子集特征的不同特性，使用对应的弱分类器分别进行处理。仿真实验和性能分析表明，选用弱分类器集成方法检测车联网中的虚假交通信息减少了检测时间，且由于综合特征的应用，检测率优于仅使用部分特征的检测结果。

  3. 所属分类：其它

    • 发布日期：2021-01-14
    • 文件大小：1048576
    • 提供者：weixin_38681719
« 12 3 4 5 6 7 8 9 10 »