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の提案

摘要

顔や人等の物体検出では，多くの姿勢の異なる同一カテゴリの物体を検出する必要がある．しかし，姿勢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稿では，学習サンプルをサブカテゴリに分割し，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．弱識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を行い，生成されたサブカテゴリ群に対しマルチクラスブースティングであるJoint Boostingを改良したブースティングを用いることで検出性能を向上する．評価実験の結果，2クラスブースティングに比べINRIA Person Datasetを用いた評価では誤識別率0.7％において7％，UIUC car dataを用いた評価では誤識別率0.8％において13％検出率を向上した．