GAdaBoost：利用遗传算法加速 AdaBoost 特征选择
计算机视觉与模式识别
2016-09-21 v1
摘要
由 Viola 和 Jones 提出的基于简单特征的增强级联是目标检测领域最著名的框架之一。然而，其训练过程十分漫长，这是由于庞大的特征空间和 AdaBoost 的穷举搜索特性所致。本文提出 GAdaboost：一种通过自然特征选择来加速训练过程的遗传算法。具体而言，我们提议将 AdaBoost 的搜索限制在巨大特征空间的一个子集内，同时遵循遗传算法对该子集进行演化。实验表明，我们提出的 GAdaboost 比 AdaBoost 快达 3.7 倍。我们还证明，这种加速的代价仅是在 FDDB 基准人脸检测集和 Caltech Web Faces 数据集上的检测准确率分别略微下降（3%、4%）。
引用
@article{arxiv.1609.06260,
title = {GAdaBoost: Accelerating Adaboost Feature Selection with Genetic Algorithms},
author = {Mai Tolba and Mohamed Moustafa},
journal= {arXiv preprint arXiv:1609.06260},
year = {2016}
}
备注
8th International Conference on Evolutionary Computation Theory and Applications (ECTA 2016). Final paper will appear at the SCITEPRESS Digital Library