期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于支持向量机增量学习和LPBoost的人体目标再识别算法
被引量：
3
1
作者
许允喜
蒋云良
陈方
《光子学报》
EI
CAS
CSCD
北大核心
2011年第5期758-763,共6页
摄像机间目标关联是无重叠视域多摄像机目标持续跟踪的关键.提出了一种只利用人体目标外观,完全不依赖于空时关系的人体目标再识别算法,利用识别结果直接进行跨摄像机间人体目标关联,而不依赖于目标的捕获时间和路径限制.对跟踪视频前...
摄像机间目标关联是无重叠视域多摄像机目标持续跟踪的关键.提出了一种只利用人体目标外观,完全不依赖于空时关系的人体目标再识别算法,利用识别结果直接进行跨摄像机间人体目标关联,而不依赖于目标的捕获时间和路径限制.对跟踪视频前景图像序列提取互补性视觉单词树直方图和全局颜色直方图二种特征,采用支持向量机增量学习在线训练二种特征的人体外观辨别模型,再利用多类线性规划增强算法对二种特征的支持向量机模型进行在线自适应融合.实验结果表明,本文算法具有较强的在线学习能力,能增量式表达人体目标辨别性外观模型,特征融合后的模型区别性更强,有效地降低多方面条件变化的影响,获得了高识别率,且能够实现快速实时实现,相对于现有方法有了明显提升.
展开更多
关键词
视频监控
支持向量机增量学习
局部描述子
人目标再识别
单词树
线性规划增强
在线阅读
下载PDF
职称材料
基于选择性集成的最大化软间隔算法
被引量：
7
2
作者
方育柯
傅彦
+2 位作者
周俊临
佘莉
孙崇敬
《软件学报》
EI
CSCD
北大核心
2012年第5期1132-1147,共16页
当前,boosting集成学习算法研究主要集中于最大化弱学习器凸组合的间隔或软间隔,该凸组合几乎使用了生成的所有弱学习器,然而这些弱学习器间存在大量的相关性和冗余,增加了训练和分类过程的时空复杂度.针对这一问题,在LPBoost基础上提...
当前,boosting集成学习算法研究主要集中于最大化弱学习器凸组合的间隔或软间隔,该凸组合几乎使用了生成的所有弱学习器,然而这些弱学习器间存在大量的相关性和冗余,增加了训练和分类过程的时空复杂度.针对这一问题,在LPBoost基础上提出了一种选择性boosting集成学习算法,称为SelectedBoost.在每次迭代生成新的弱学习器以后,通过计算新生成的弱学习器与已有弱学习器的相关度和差异度,并结合当前集成的强学习器的准确率来判断是否选择该弱学习器.另外,当前的一系列boosting算法(如AdaBoost,LPBoost,ERLPBoost等),本质上是基于已生成的1个或者多个弱学习器来更新样本权重,但与弱学习器相比,强学习器更能代表当前的决策面.因此,SelectedBoost通过在带约束的间隔最大化问题中引入更加严格的强学习器边界约束条件,使得该算法不仅参考弱学习器边界,同时还参考已生成的强学习器来更新样本权重,进而提高算法的收敛速度.最后,与其他有代表性的集成学习算法进行实验比较,结果表明,该方法在收敛率、分类准确性以及泛化能力等方面均具有比较明显的优势.
展开更多
关键词
集成学习
选择性集成
软间隔
相关度
线性规划
在线阅读
下载PDF
职称材料
基于多视角自步学习的人体动作识别方法
被引量：
2
3
作者
刘莹莹
邱崧
+2 位作者
孙力
周梅
徐伟
《计算机工程》
CAS
CSCD
北大核心
2018年第2期257-263,共7页
自步学习的动作识别方法采用课程学习的思路,忽略了不同视角动作特征对课程的影响,对多分类的人体两维视频复杂动作识别无法取得满意效果。针对上述问题,提出一种多视角自步学习算法。选取5个视角并提取Trajectory、HOG、HOF、MBHx和MBH...
自步学习的动作识别方法采用课程学习的思路,忽略了不同视角动作特征对课程的影响,对多分类的人体两维视频复杂动作识别无法取得满意效果。针对上述问题,提出一种多视角自步学习算法。选取5个视角并提取Trajectory、HOG、HOF、MBHx和MBHy作为各自视角下的特征信息,利用自步学习算法学习得出对应视角下的动作分类课程,使用线性规划增强方法将不同视角下的课程进行融合,得出更适合解决多类复杂动作识别问题的综合课程。实验结果表明,相比单一视角自步学习方法和多视角支持向量机方法,该方法提高了多类复杂动作识别的效率和准确率,具有更高的可操作性和更广泛的应用前景。
展开更多
关键词
人体动作识别
多视角融合
自步学习
线性规划增强
支持向量机
在线阅读
下载PDF
职称材料
题名
基于支持向量机增量学习和LPBoost的人体目标再识别算法
被引量：
3
1
作者
许允喜
蒋云良
陈方
机构
湖州师范学院信息与工程学院
浙江大学信息与电子工程系
南京航空航天大学自动化学院
出处
《光子学报》
EI
CAS
CSCD
北大核心
2011年第5期758-763,共6页
基金
国家自然科学基金(No.60872057)
浙江省自然科学基金(No.Y1101237
+1 种基金
No.R1090244
No.Y1080212)资助
文摘
摄像机间目标关联是无重叠视域多摄像机目标持续跟踪的关键.提出了一种只利用人体目标外观,完全不依赖于空时关系的人体目标再识别算法,利用识别结果直接进行跨摄像机间人体目标关联,而不依赖于目标的捕获时间和路径限制.对跟踪视频前景图像序列提取互补性视觉单词树直方图和全局颜色直方图二种特征,采用支持向量机增量学习在线训练二种特征的人体外观辨别模型,再利用多类线性规划增强算法对二种特征的支持向量机模型进行在线自适应融合.实验结果表明,本文算法具有较强的在线学习能力,能增量式表达人体目标辨别性外观模型,特征融合后的模型区别性更强,有效地降低多方面条件变化的影响,获得了高识别率,且能够实现快速实时实现,相对于现有方法有了明显提升.
关键词
视频监控
支持向量机增量学习
局部描述子
人目标再识别
单词树
线性规划增强
Keywords
Visual surveillance
Support Vector Machine（SVM） incremental learning
Local descriptor
Person re-identification
Vocabulary tree
linear programming boosting（lpboot）
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于选择性集成的最大化软间隔算法
被引量：
7
2
作者
方育柯
傅彦
周俊临
佘莉
孙崇敬
机构
电子科技大学计算机科学与工程学院
出处
《软件学报》
EI
CSCD
北大核心
2012年第5期1132-1147,共16页
基金
国家自然科学基金(60903073
60973120
+1 种基金
61003231)
四川省科技攻关项目(2008GZ0009)
文摘
当前,boosting集成学习算法研究主要集中于最大化弱学习器凸组合的间隔或软间隔,该凸组合几乎使用了生成的所有弱学习器,然而这些弱学习器间存在大量的相关性和冗余,增加了训练和分类过程的时空复杂度.针对这一问题,在LPBoost基础上提出了一种选择性boosting集成学习算法,称为SelectedBoost.在每次迭代生成新的弱学习器以后,通过计算新生成的弱学习器与已有弱学习器的相关度和差异度,并结合当前集成的强学习器的准确率来判断是否选择该弱学习器.另外,当前的一系列boosting算法(如AdaBoost,LPBoost,ERLPBoost等),本质上是基于已生成的1个或者多个弱学习器来更新样本权重,但与弱学习器相比,强学习器更能代表当前的决策面.因此,SelectedBoost通过在带约束的间隔最大化问题中引入更加严格的强学习器边界约束条件,使得该算法不仅参考弱学习器边界,同时还参考已生成的强学习器来更新样本权重,进而提高算法的收敛速度.最后,与其他有代表性的集成学习算法进行实验比较,结果表明,该方法在收敛率、分类准确性以及泛化能力等方面均具有比较明显的优势.
关键词
集成学习
选择性集成
软间隔
相关度
线性规划
Keywords
boosting
learning
selective
boost
soft margin
correlation
linear
programming
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
基于多视角自步学习的人体动作识别方法
被引量：
2
3
作者
刘莹莹
邱崧
孙力
周梅
徐伟
机构
华东师范大学信息科学技术学院上海市多维度信息处理重点实验室
上海交通大学图像处理与模式识别研究所
出处
《计算机工程》
CAS
CSCD
北大核心
2018年第2期257-263,共7页
基金
国家自然科学基金(61302125
61377107)
上海市自然科学基金(17ZR1408500)
文摘
自步学习的动作识别方法采用课程学习的思路,忽略了不同视角动作特征对课程的影响,对多分类的人体两维视频复杂动作识别无法取得满意效果。针对上述问题,提出一种多视角自步学习算法。选取5个视角并提取Trajectory、HOG、HOF、MBHx和MBHy作为各自视角下的特征信息,利用自步学习算法学习得出对应视角下的动作分类课程,使用线性规划增强方法将不同视角下的课程进行融合,得出更适合解决多类复杂动作识别问题的综合课程。实验结果表明,相比单一视角自步学习方法和多视角支持向量机方法,该方法提高了多类复杂动作识别的效率和准确率,具有更高的可操作性和更广泛的应用前景。
关键词
人体动作识别
多视角融合
自步学习
线性规划增强
支持向量机
Keywords
human action recognition
multi-view fusion
Self-Paced Learning（SPL）
linear
programming
boosting（
LP
boost
）
Support Vector Machine（SVM）
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于支持向量机增量学习和LPBoost的人体目标再识别算法
许允喜
蒋云良
陈方
《光子学报》
EI
CAS
CSCD
北大核心
2011
3
在线阅读
下载PDF
职称材料
2
基于选择性集成的最大化软间隔算法
方育柯
傅彦
周俊临
佘莉
孙崇敬
《软件学报》
EI
CSCD
北大核心
2012
7
在线阅读
下载PDF
职称材料
3
基于多视角自步学习的人体动作识别方法
刘莹莹
邱崧
孙力
周梅
徐伟
《计算机工程》
CAS
CSCD
北大核心
2018
2
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
