[發明專利]基于分布式計算與檢測代價排序的訓練學習方法及裝置

有效

• 申請號: 201610201531.6
• 申請日: 2016-03-31
• 公開（公告）號: CN105760899B
• 公開（公告）日: 2019-04-05
• 發明（設計）人: 田雨農;吳子章;周秀田;于維雙;陸振波
• 申請（專利權）人: 大連樓蘭科技股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 大連智高專利事務所(特殊普通合伙) 21235
• 代理人: 李猛

1.一種基于分布式計算與檢測代價排序的Adaboost訓練學習方法，其特征在于，包括如下步驟：

步驟一.設定檢測目標，根據級聯分類器數量確定分發的計算機數量；

步驟二.將第二樣本分發各計算機；

步驟三.分布式訓練，對第一樣本拆分并分發各計算機，各計算機依據分配的強分類器的計算指標分別訓練強分類器，并按照強分類器的分類能力組成新的級聯分類器；

步驟四.下一次分布式訓練，將各個計算機的分錯的第一樣本匯總，對第一樣本拆分并分發各計算機，各計算機依據分配的強分類器的計算指標分別訓練強分類器，并按照強分類器的分類能力組成新的級聯分類器；

步驟五.重復步驟四，直至新的級聯分類器滿足退出條件；

其中：所述的第一樣本為待測試的正負樣本中數量較多的樣本，所述的第二樣本為待測試的正負樣本中數量較少的樣本。

2.如權利要求1所述的基于分布式計算與檢測代價排序的Adaboost訓練學習方法，其特征在于，所述步驟三的步驟是：

S3.1.對第一樣本拆分，并依次分發給各計算機；

S3.2.將強分類器計算指標分發給各計算機；

S3.3.各計算機分別訓練強分類器，并將訓練所得的強分類器匯總給服務器，服務器使用匯總來的強分類器對全體樣本測試，對各強分類器的分類能力排序，并按照所排順序將匯總的強分類器依次組成級新聯的分類器。

3.如權利要求1所述的基于分布式計算與檢測代價排序的Adaboost訓練學習方法，其特征在于，步驟一中，所設定的檢測目標，包括級聯分類器的虛警率指標，級聯分類器的檢出率指標；步驟二中，分配強分類器的計算指標是分配與整體級聯分類器中每個強分類器相同的檢出率與虛警率指標，計算機數量為n，強分類器的數量為Max_Num，聯合起來的強分類器個數等于(n+n/2+n/4+...)，使(n+n/2+n/4+...)<2n<＝Max_Num。

4.如權利要求2所述的基于分布式計算與檢測代價排序的Adaboost訓練學習方法，其特征在于，所述排序是：分類能力更強的強分類器排序在更靠前的位置，分類能力更弱的強分類器排序在更靠后的位置；所述組成新的級聯分類器：將分類能力最強的強分類器作為級聯分類器的第一級強分類器，并依次排出第二級強分類器、第三級分類器、······、第n級強分類器，n為計算機的數量，第一級強分類器至第n級強分類器排列組成新的級聯分類器。

5.如權利要求1或2或3或4所述的基于分布式計算與檢測代價排序的Adaboost訓練學習方法，其特征在于，分布式訓練進行到倒數第二次和第一次時，逐次降低強分類器的計算指標中的虛警率的分配，并在倒數第一次時，設定虛警率為不大于0％。

6.一種基于分布式計算與檢測代價排序的Adaboost訓練學習裝置，其特征在于，包括：

檢測目標設定裝置，設定檢測目標，根據級聯分類器數量確定分發的計算機數量；第二樣本分發裝置，將第二樣本分發各計算機；

第一分布式訓練裝置，分布式訓練，對第一樣本拆分并分發各計算機，各計算機依據分配的強分類器的計算指標分別訓練強分類器，并按照強分類器的分類能力組成新的級聯分類器；

第二分布式訓練裝置，下一次分布式訓練，將各個計算機的分錯的第一樣本匯總，對第一樣本拆分并分發各計算機，各計算機依據分配的強分類器的計算指標分別訓練強分類器，并按照強分類器的分類能力組成新的級聯分類器；

分布式訓練重復訓練裝置，第二分布式訓練裝置重復訓練，直至新的級聯分類器滿足退出條件；

其中：所述的第一樣本為待測試的正負樣本中數量較多的樣本，所述的第二樣本為待測試的正負樣本中數量較少的樣本。