Распознавания рук Осанка Использование SURF с адаптивным Повышая

Question

я пытаюсь реализовать алгоритм этой работы:

алгоритма

http://www.bmva.org/bmvc/2012/WS/paper5.pdf

подмигнули «процесс обучения для всех целевых поз», на странице 6

Основой является техника, использующая adaboost и SURF (экстрактор функций) для распознавания осанки руки. Как я уже писал, я пытаюсь реализовать, но я до сих пор не понял этот алгоритм. Проблема заключается в некотором вопросе, который у меня есть, например:

1. Каков список совпадений, упомянутых на странице 5, последний абзац?
2. Какова связь между порогом и процессом обучения (алгоритм обучения)?
3. В строке 7 учебного алгоритма: каково возвращение функции ht (Ix, ft, tet)?

Я хотел бы узнать, реализован ли этот алгоритм или кто-то может помочь мне в этом вопросе.

Большое спасибо за ответ (помощь), потому что я уже инвестировал некоторое время в этот алгоритм, и я до сих пор не понял этот алгоритм для реализации.

Answer 1

Сканирование через бумагу, вот что я сделал. Пожалуйста, обратите внимание, что я не пошел через бумагу в деталях, так что я мог бы быть неправильно, но имея в своем распоряжении реализовать AdaBoost, я могу уточнить ваши сомнения:

1. Во время тестирования части, присвоить соответствующий «счет», чтобы каждый поза в вашей базе данных. Вы хотите как можно точнее определить положение тестового изображения. «Оценка» представляет собой «закрытие» тестовой осанки позы в базе данных. Поза с наивысшим результатом в конце - это результат совпадения/тестирования.

2 и 3. При выборе слабых классификаторов у вас есть порог, поэтому итерация для выбора слабых классификаторов прекращается, как только их вес становится меньше порога. Порог должен быть оптимальным в том смысле, что «выбранный» слабый классификатор должен быть достаточно уникальным, чтобы эффективно классифицировать его соответствующий вектор. В то же время, вы не должны быть слишком строгими на пороге или время, затраченное на итерации, будет очень большим. Следовательно, порог должен быть оптимальным, и в документе показано, как его вычислять. Это отвечает на ваш второй вопрос. Функция ht, о которой вы говорите, является слабым классификатором.