SVM最优分类面相对位置的修正

通过放宽标准支持向量机(SVM,Support Vector Machines)中类别边界至分类面等间隔的约束,保持两类函数间隔之和不变的条件,在支持向量机思想框架下得出分类面依样本分布进行调整的新型支持向量机,其对偶形式与标准支持向量机完全相同,从而在理论上进一步完善了支持向量机.在此基础上,提出使类别的函数间隔正比于样本标准差的具体算法--方差修正法,达到最优分类面的相对位置依样本方差而调整之目的.从统计意义上来说,方差修正法在分类精度上有所提高,但计算量增加不多.     

基于层次化分类器的遥感图像飞机目标检测

在大量航空航天遥感图像中,快速发现和统计飞机目标并对其进行准确定位,在军事和民用方面均具有重要意义。结合遥感图像特点,针对飞机目标的特征,文章设计了一种基于层次化的分类器的遥感图像飞机目标检测方法。首先用基于哈尔（Haar）特征的底层AdaBoost分类器快速去除大部分非目标区域;然后用基于梯度方向直方图（Histogram of Oriented Gradient,HOG）特征的顶层支持向量机（Support Vector Machine,SVM）分类器进行精细检测。在分辨率为1m的遥感图像数据集上的实验结果表明,层次化分类器在保证较高检测率的前提下,大大降低了虚警率,可以有效解决遥感图像飞机检测问题。     

局部Bagging方法及其在人脸识别中的应用

Bagging方法无法在稳定的分类器(如最近邻分类器)上构建多样的分量分类器,因此它不适合于稳定的分类器.同时,小样本特性Bagging也很难应用于人脸识别等任务中.本文提出了一种局部Bagging(L-Bagging)方法以同时解决上述两个问题.L-Bagging和Bagging的主要区别是L-Bagging在每个事先划分好的局部区域内进行自助集的采样而不是如Bagging那样在原始的样本集上采样.由于局部区域的维数通常远远小于训练样本数,并且分量分类器又是构建在不同的局部区域上的, 因此 L-Bagging方法不仅有效地解决了小样本问题,而且产生了更多样的分量分类器.在4个标准的人脸数据库(AR,Yale,ORL和Yale B)上的实验结果表明所提出的L-Bagging方法是有效的,并且对光照、遮挡及轻微的姿态变化是鲁棒的.     

一种基于证据距离的多分类器差异性度量

 多分类器系统因其能够显著提升分类精度而引发了广泛关注。多分类器系统中各子分类器间的差异性是提升融合分类精度的先决条件。提出了一种基于证据距离的分类器系统差异性度量,同时基于该度量提出一种多分类器系统构造方法。综合了既有差异性度量、所提新差异性度量以及在训练样本集上的分类性能等多个指标,实现了多分类器系统的有效构造。实验结果表明,所提差异性度量及多分类器系统构造方法是合理的,能有效提升融合分类精度。