Boostingに基づく分割統治的戦略による高精度な識別器構築手法

摘要

顔や人等の物体検出では，同ーカテゴリーに所属しながらも多くの姿勢や見えの異なるインスタンスに対して検出を行う必要がある．これらカテゴリー内での変化は画像上で大きな影響をもたらし，異なる姿勢の物体全てを同一に学習することは困難となる場合がある．この問題を解決するために本論文では，学習サンプをサブカテゴリーに分割し，それぞれに対して学習を行う分割統治的戦略に着目する．弱別器応答の類似度に着目した学習サンプルのクラスタリング法と，それにより生成されたサブカテゴリー群に対する学習法としてJoint Boostingを改良したDivide-and-Conquer Boostingを提案し，高精度な検出を実現する．評価実験の結果，2クラスBoostingに比べINRIA Person Datasetを用いた評価では誤識別率1.0%において8.0%,UIUC Image Database for Car Detectionを用いた評価では誤識別率0.1%において9.5%検出率を向上することができた．