提升还是不提升？论提升树用于目标检测的局限
计算机视觉与模式识别
2017-01-09 v1
摘要
我们旨在研究常用提升决策树分类器的建模局限。受大型、数据饥渴的视觉识别模型（例如深度卷积神经网络）成功的启发，本文关注弱学习器的建模容量、数据集大小与数据集属性之间的关系。在 Caltech 行人检测基准上进行的一组新颖实验，在非 CNN 技术中取得了已知最佳性能，同时保持了快速的运行速度。此外，其性能与深度架构相当（9.71% 对数平均漏检率），而仅使用 HOG+LUV 通道作为特征。该研究的结论被证明可推广到不同的目标检测领域，正如在 FDDB 人脸检测基准（93.37% 准确率）上所展示的。尽管性能令人印象深刻，本研究揭示了常见提升树模型有限的建模容量，激发了对架构改变的需求，以与多级和极深架构竞争。
引用
@article{arxiv.1701.01692,
title = {To Boost or Not to Boost? On the Limits of Boosted Trees for Object Detection},
author = {Eshed Ohn-Bar and Mohan M. Trivedi},
journal= {arXiv preprint arXiv:1701.01692},
year = {2017}
}
备注
ICPR, December 2016. Added WIDER FACE test results (Fig. 5)