Модификация алгоритма WaldBoost для повышения эффективности решения задач распознавания образов в реальном времени
Аннотация
Ключевые слова
Об авторах
А. Н. ЧесалинРоссия
кандидат технических наук, доцент кафедры компьютерной и информационной безопасности Института кибернетики,
119454, Москва, пр-т Вернадского, д. 78
С. Я. Гродзенский
Россия
доктор технических наук, профессор, профессор кафедры метрологии и стандартизации Физико-технологического института,
119454, Москва, пр-т Вернадского, д. 78
М. Ю. Нилов
Россия
аспирант кафедры метрологии и стандартизации Физико-технологического института,
119454, Москва, пр-т Вернадского, д. 78
А. Н. Агафонов
Россия
выпускник кафедры компьютерной и информационной безопасности Института кибернетики,
119454, Москва, пр-т Вернадского, д. 78
Список литературы
1. Freund Y., Schapire R. A decision-theoretic generalization of on-line learning and an application to boosting. J. Comp. & System Sci. 1997;55(1):119-139. https://doi.org/10.1006/jcss.1997.1504
2. Friedman J. Greedy function approximation: A gradient boosting machine. The Annals of Statistics. 2001;29(5):1189-1232. https://doi.org/10.1109/SMRLO.2016.83.
3. Wald A. Sequential Analysis. NY: John Wiley and Sons, 1947. 212 р.
4. Tartakovsky A., Nikiforov I., Basseville M. Sequential analysis: Hypothesis testing and changepoint detection. Boca Raton: CRC press/Taylor & Francis, 2015. 579 р.
5. Сhesalin A., Grodzenskiy S., Grodzenskiy Ya. About the effectiveness of the statistical sequential analysis in the reliability trials. In: 2016 Second Int. Symp. on Stochastic Models in Reliability Engineering, Life Science and Operations Management (SMRLO). Beer Sheva, Israel, February 15–18, 2016. P. 475-480. https://doi.org/10.1109/SMRLO.2016.83
6. Yanjing O., Nan C., Michael B. An efficient multivariate control charting mechanism based on SPRT. Int. J. Production Res. 2015;53(7):1937-1949. https://doi.org/10.1080/00207543.2014.925601
7. Sochman J., Matas J. WaldBoost – Learning for time constrained sequential detection. In: 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05). June 20–25, 2005. P. 150-156. https://doi.org/10.1109/CVPR.2005.373
8. Chesalin A., Grodzenskiy S. The algorithm of calculating the refined boundaries of sequential criteria based on the likelyhood ratio. In: Proceed. of the Int. Seminar on Electron Devices Design and Production (SED). April 23–24, 2019. Prague, Czech Republic, 2019. 4 p. IEEE Catalog Number: CFP19P59-CDR. https://doi.org/10.1109/SED.2019.8798445
9. Zhu J., Rosset S., Zou H., Hastie T. Multi-class AdaBoost. Statistics and its Interface. 2006;2(1): 21 p. https://doi.org/10.4310/SII.2009.v2.n3.a8
Дополнительные файлы
|
1. Рис. 1. Моделируемые наборы данных (обучающая выборка): “○” соответствует классу y = +1, “×” – классу y = 1. | |
Тема | ||
Тип | Исследовательские инструменты | |
Посмотреть
(806KB)
|
Метаданные |
Для цитирования:
Чесалин А.Н., Гродзенский С.Я., Нилов М.Ю., Агафонов А.Н. Модификация алгоритма WaldBoost для повышения эффективности решения задач распознавания образов в реальном времени. Российский технологический журнал. 2019;7(5):20-29. https://doi.org/10.32362/2500-316X-2019-7-5-20-29
For citation:
Chesalin A.N., Grodzenskiy S.Y., Nilov M.Yu., Agafonov A.N. Modification of the WaldBoost algorithm to improve the efficiency of solving pattern recognition problems in real-time. Russian Technological Journal. 2019;7(5):20-29. (In Russ.) https://doi.org/10.32362/2500-316X-2019-7-5-20-29