Fast and Robust Face / Rare Event Detection
<img border="0" name="graphics1" align="bottom" src="http://52ml.net/images/3f9dbff921e1f2c2a4049d6.gif" real_src="http://c2inet.sce.ntu.edu.sg/Jianxin/RareEvent/example.JPG" alt="图像处理：Fast and Robust Face / Rare Event Detection Dataset(快速鲁棒的人脸/稀有事件检测数据集)&#8221; title=&#8221;图像处理：Fast and Robust Face / Rare Event Detection Dataset(快速鲁棒的人脸/稀有事件检测数据集)&#8221; class=&#8221;alignCenter&#8221; />
<img border="0" name="graphics2" align="bottom" src="http://52ml.net/images/3f9dbff921e1f2c2a4049d6.gif" real_src="http://c2inet.sce.ntu.edu.sg/Jianxin/RareEvent/cascade.JPG" alt="图像处理：Fast and Robust Face / Rare Event Detection Dataset(快速鲁棒的人脸/稀有事件检测数据集)&#8221; title=&#8221;图像处理：Fast and Robust Face / Rare Event Detection Dataset(快速鲁棒的人脸/稀有事件检测数据集)&#8221; class=&#8221;alignCenter&#8221; />
In this project we improved the Viola-Jones cascade face detector in both training speed and detection accuracy.
Face Detection is a rare event detection problem, in the sense that faces are extremely rare compared to non-faces. In the example image, there are only 3 faces, but there exist millions of non-face windows. A cascade detector is composed of a series of node classifiers. It scans every possible window in a image at all positions and scales, and determine whether it is a face or not. When examining a window, it quickly determines “
this is not a face
” as soon as any node classifier say that window is not a face. This property makes a cascade classifier has very fast testing speed.
Our contribution to this problem includes the following:
We revise the implementation of the AdaBoost algorithm (which is used to train node classifiers by Viola and Jones) such that it is 2 orders
In training a node classifier, we propose a Forward Feature Selection (FFS) algorithm to replace AdaBoost. FFS is a greedy algorithm that always selects a feature which maximally reduces training error of the entire node classifier. In contrast, AdaBoost chooses a feature which minimize the weighted error rate of the currently selected feature. FFS is about two times faster than the fast AdaBoost implementation, and achieves approximately the same accuracy as AdaB
We show that the node classifiers has different learning goals than normal classifiers: They need to correctly classify almost all faces correctly (e.g. &99.9%) but only needs to be correct on a moderate number of non-faces (e.g. 50%). We formalized this problem into a constrained optimization problem, and give an closed-form approximate solution to this problem, which we call Linear Asymmetric Classifier (LAC).
We show that the entire cascade can be optimized as a whole – i.e. the goals of all node classifiers can be coordinated to give a fast and precise cascade.
The source code for fast AdaBoost implementation, FFS and LAC are available.
C++ source code in the Windows platform with Visual C++ is here.
Please pay attention to the following
If you got compile error concerning &OptionDialog&
, please don&#8217;t use the project file to open the VC++ instead, please use the solution file (.sln file).
Please read the
Readme.txt
in the zip file before you play with the code and executable. Note that if you want to use the attached (trained) face detector, you need to
replace the content of the empty cascade.txt with one of the cascade_*.txt
in the data/ directory.
IntImage.cpp
, within the function
IntImage::Load
, after the line &img = cvLoadImage(filename,0);&, add the following line:
if(img==NULL)
& (added June 2, 2011 to fix OpenCV issues)
If you want to train a classifier of your own, you will need the non-face dataset. See the
Readme.txt
for details.
We also provide a live demo executables (again running in Windows) and a demo video.
If you use the provided source code, please cite the following paper:
Fast Asymmetric Learning for Cascade Face Detection
Jianxin Wu, S. Charles Brubaker, Matthew D. Mullin, and James M. Rehg
IEEE Transactions on Pattern Analysis and Machine Intelligence, 30(3), 2008: pp. 369-382.
For more details, please refer to papers in the publication page, with journal papers [J5] and conference papers [C3][C4] describing FFS and LAC, while journal paper [J5] describing the global framework that optimize the entire cascade by moving operating points of node classifiers.
<img alt="" src="http://52ml.net/images/3f9dbff921e1f2c2a4049d6.gif" real_src="http://image.datatang.com/data//43093.png" title="图像处理：Fast and Robust Face / Rare Event Detection Dataset(快速鲁棒的人脸/稀有事件检测数据集)&#8221; class=&#8221;alignCenter&#8221; />
<img alt="" src="http://52ml.net/images/3f9dbff921e1f2c2a4049d6.gif" real_src="http://image.datatang.com/data//54297.png" title="图像处理：Fast and Robust Face / Rare Event Detection Dataset(快速鲁棒的人脸/稀有事件检测数据集)&#8221; />
<img alt="" src="http://52ml.net/images/3f9dbff921e1f2c2a4049d6.gif" real_src="http://image.datatang.com/data//03765.png" title="图像处理：Fast and Robust Face / Rare Event Detection Dataset(快速鲁棒的人脸/稀有事件检测数据集)&#8221; />
数据大小：
3、数据来源信息：南洋理工大学
本文转载自：
欢迎加入我爱机器学习QQ14群：
微信扫一扫，关注我爱机器学习公众号
欢迎加入我爱机器学习QQ14群：
最新文章列表
NIPS 2016 — Day 1 Highlights NIPS 2016 — Day 2 Highlights:...
2018年三月 &(14)
2018年二月 &(20)
2018年一月 &(21)
2017年十二月 &(19)
2017年十一月 &(20)
2017年十月 &(31)
2017年九月 &(47)
2017年八月 &(58)
2017年七月 &(60)
2017年六月 &(67)
2017年五月 &(66)
2017年四月 &(65)
2017年三月 &(54)
2017年二月 &(48)
2017年一月 &(54)
2016年十二月 &(62)
2016年十一月 &(97)
2016年十月 &(97)
2016年九月 &(124)
2016年八月 &(83)
2016年七月 &(13)
2016年六月 &(10)
2016年五月 &(7)
2016年四月 &(9)
2016年三月 &(7)
2016年二月 &(2)
2016年一月 &(3)
2015年十二月 &(5)
2015年十一月 &(4)
2015年十月 &(2)
2015年九月 &(2)
2015年八月 &(3)
2015年七月 &(6)
2015年六月 &(8)
2015年五月 &(4)
2015年四月 &(1)
2015年三月 &(3)
2015年二月 &(1)
2015年一月 &(2)
2014年十二月 &(4)
2014年十一月 &(2)
2014年十月 &(3)
2014年九月 &(4)
2014年八月 &(22)
2014年七月 &(40)
2014年六月 &(61)
2014年五月 &(63)
2014年四月 &(187)
2014年三月 &(4798)
2014年二月 &(764)
2014年一月 &(330)
2013年十二月 &(145)
2013年十一月 &(126)
2013年十月 &(216)
2013年九月 &(284)
2013年八月 &(327)
2013年七月 &(275)
2013年六月 &(315)
2013年五月 &(228)
2013年四月 &(175)
2013年三月 &(186)
2013年二月 &(118)
2013年一月 &(210)
2012年十二月 &(221)
2012年十一月 &(155)
2012年十月 &(143)
2012年九月 &(98)
2012年八月 &(99)
2012年七月 &(109)
2012年六月 &(75)
2012年五月 &(88)
2012年四月 &(78)
2012年三月 &(78)
2012年二月 &(50)
2012年一月 &(17)
2011年十二月 &(27)
2011年十一月 &(6)
2011年十月 &(11)
2011年九月 &(13)
2011年八月 &(13)
2011年七月 &(19)
2011年六月 &(18)
2011年五月 &(6)
2011年四月 &(12)
2011年三月 &(15)
2011年二月 &(6)
2011年一月 &(9)
2010年十二月 &(6)
2010年十一月 &(11)
2010年十月 &(5)
2010年九月 &(8)
2010年八月 &(5)
2010年七月 &(12)
2010年六月 &(4)
2010年五月 &(7)
2010年四月 &(6)
2010年三月 &(12)
2010年二月 &(7)
2010年一月 &(2)
2009年十二月 &(5)
2009年十一月 &(16)
2009年十月 &(6)
2009年九月 &(7)
2009年八月 &(7)
2009年七月 &(5)
2009年六月 &(6)
2009年五月 &(6)
2009年四月 &(4)
2009年三月 &(7)
2009年二月 &(6)
2009年一月 &(1)
2008年十二月 &(4)
2008年十一月 &(5)
2008年十月 &(1)
2008年八月 &(1)
2008年七月 &(3)
2008年六月 &(3)
2008年五月 &(3)
2008年三月 &(1)
2007年十二月 &(1)
2007年十月 &(1)
2007年八月 &(4)
2007年七月 &(1)&#xe621; 上传我的文档
&#xe602; 下载
&#xe60c; 收藏
该文档贡献者很忙，什么也没留下。
&#xe602; 下载此文档
Logistic回归和稀有事件logistic回归模型的模拟研究
下载积分：1698
内容提示：Logistic回归和稀有事件logistic回归模型的模拟研究
文档格式：PDF|
浏览次数：110|
上传日期： 04:32:00|
文档星级：&#xe60b;&#xe60b;&#xe60b;&#xe60b;&#xe60b;
全文阅读已结束，如果下载本文需要使用
&#xe71b; 1698 积分
&#xe602;下载此文档
该用户还上传了这些文档
Logistic回归和稀有事件logistic回归模型的模拟研究
关注微信公众号稀有事件的话题 · · · · · ·
什么是话题
无论是一部作品、一个人，还是一件事，都往往可以衍生出许多不同的话题。将这些话题细分出来，分别进行讨论，会有更多收获。
稀有事件的影评 · · · · · ·
& && && && && && &
以下豆列推荐
· · · · · ·
谁在看这部电影
· · · · · ·
订阅稀有事件的评论:
douban.com, all rights reserved 北京豆网科技有限公司豆丁微信公众号
君，已阅读到文档的结尾了呢~~
目的：寻找logistic回归模型和稀有事件logistic回归模型在不同变量平均事件发生数&#40;eventspervariable，EPV&#41;情况下的变化规律，为两种模型的正确应用奠定基础，为其它统计模型的类似研究提供方法学借鉴。 方法：用FoxPro自行编写计算机程序对两次流行病学横断面调查资料分别实施蒙特卡罗模拟研究，改变变量平均事件发生数&#40;EPV&#41;，即在EPV=2，4，6，8，10，12，14，16，18，20，25，30的各点，分别模拟500个样&#46;&#46;
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
Logistic回归和稀有事件logistic回归模型的模拟研究
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='http://www.docin.com/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口什么是稀有事件
什么是稀有事件
09-10-30 &匿名提问
康达(43 召唤, 荆棘谷)黑猩猩 库尔莫克(42, 荆棘谷)棕猩猩 尤尔查(55, 安戈洛环形山) 棕猩猩 会雷霆震击 3 穆克拉(51 精英, 荆棘谷) 黑色银背 但无法驯服 野蛮的莫克(42-44 召唤, 荆棘谷) 白猩猩 但无法驯服 乌卡洛克(52-53 , 安戈洛环形山) 白猩猩 会撕咬 7 以前玩LR的时候收集的，呃……好象比较久了，但是应该没改动。 另外很感觉猩猩不是很好啊，也不拉风…… 猩猩 可学习技能：撕咬，雷霆震击 伤害：+2%，护甲：+0%，血量：+4% 食物：水果，蘑菇 乌卡洛克(唯一的一只全白蓝脸猩猩)刷新地点:环形山地图右上猩猩洞,洞的最里面那个红色猩猩的旁边刷,名字叫&乌卡洛克&,红色猩猩叫&尤尔查&,是个任务怪! 很多70后LR都是速成的貌似,做过环形山任务的应该都知道这个的.6小时一刷新,现在等的人多,不太好抓,最好是确定有人在什么时间抓到或者是杀了,快到6小时的时候去等比较靠谱. 祝你早日抓到!
请登录后再发表评论!}