This paper presents a method of det

This paper presents a method of detecting faces based on cost-sensitive AdaBoost (CS-AdaBoost) algorithm. The two main differences between CS-AdaBoost algorithm and the naive AdaBoost are that (1) unequal initial weights are given to each training sample according to its misclassification cost, and (2) the weights are updated separately for positives and negatives at each boosting step. Due to these two variations, every stage of the face detector trained by CS-AdaBoost algorithm can more effectively focus on face samples than by the naive AdaBoost to achieve robust and high detection rate with modest false alarm rate, so that the final face detector can yield high detection rates, very low false positive rates, and robust performance. Experiments also demonstrate the effectiveness of our method.

Kết quả (Việt) 1:

Bài báo này trình bày một phương pháp phát hiện khuôn mặt dựa trên chi phí nhạy cảm AdaBoost (CS-AdaBoost) thuật toán. Hai sự khác biệt chính giữa CS-AdaBoost thuật toán và ngây thơ AdaBoost là rằng (1) bất bình đẳng trọng lượng ban đầu được trao cho mỗi mẫu đào tạo theo chi phí misclassification của nó, và (2) các trọng lượng được cập nhật một cách riêng biệt cho tích cực và tiêu cực tại mỗi bước thúc đẩy. Do các biến thể hai, mọi giai đoạn của các máy dò mặt được đào tạo bởi CS-AdaBoost thuật toán có thể hiệu quả hơn tập trung vào mặt mẫu hơn bởi ngây thơ AdaBoost để đạt được tỷ lệ phát hiện mạnh mẽ và cao với tỷ lệ báo động giả khiêm tốn, vì vậy mà các máy dò mặt cuối cùng có thể mang lại tỷ lệ phát hiện cao, rất thấp tỷ lệ sai tích cực và hiệu suất mạnh mẽ. Thí nghiệm cũng chứng minh hiệu quả của phương pháp của chúng tôi.

Kết quả (Việt) 2:

Bài báo này trình bày một phương pháp phát hiện khuôn mặt dựa trên AdaBoost (CS-AdaBoost) thuật toán chi phí nhạy cảm. Hai sự khác biệt chính giữa thuật toán CS-AdaBoost và AdaBoost ngây thơ là (1) trọng lượng ban đầu không bằng nhau được trao cho mỗi mẫu đào tạo theo chi phí phân loại sai của nó, và (2) các trọng số được cập nhật một cách riêng biệt cho mặt tích cực và tiêu cực ở từng bước thúc đẩy . Do hai biến thể này, mỗi công đoạn của máy phát hiện khuôn mặt được đào tạo bởi thuật toán CS-AdaBoost hiệu quả hơn có thể tập trung vào các mẫu khuôn mặt hơn bởi các AdaBoost ngây thơ để đạt được tỷ lệ phát hiện mạnh mẽ và cao với khiêm tốn tỷ lệ báo động giả, vì vậy mà các máy dò mặt thức thể mang lại giá cao để phát hiện, tỷ lệ dương tính giả rất thấp, và hiệu suất mạnh mẽ. Các thí nghiệm cũng chứng minh hiệu quả của các phương pháp của chúng tôi.