[发明专利]一种加快Adaboost训练速度与收敛速度的方法

权利要求书

1.一种加快Adaboost训练速度与收敛速度的方法，其特征在于，包括：在目标检测中引入边界条件调节权重的步骤；利用级联分类器之间集合关系减少重复计算的步骤；利用并行计算加速排序的步骤；

所述的引入边界条件调节权重的步骤，首先，定义两种边界条件：边界条件1，负样本的误识别率满足退出条件，正样本的检出率接近于退出条件；边界条件2，负样本的误识别率接近于退出条件，正样本的检出率满足退出条件；在保持权重总和不变的前提下，将满足一定条件的权重调整引入反馈，从而有方向性地增大分错的正样本的权重比例，使正样本的检出率更加容易达到要求；

所述接近于退出条件是指相差0.1％以内；

对于弱分类器的权重调节过程，步骤如下：

S1：首先，对样本权重进行初始化；

S2：然后，进行弱分类器的训练，将训练得到的弱分类器作用于样本，检测哪些样本被正确分类，哪些被错误分类；

S3：对于错误分类的样本其权重增加，正确分类的样本权重减少，然后进行权重归一化；

S4：计算正样本的检出率与负样本的误识别率，判断是否满足预先设定好的退出条件；

在步骤S4中，如果满足就直接退出本级强分类器的训练；否则：

判断是否满足边界条件1，如果满足则增大分错的正样本权重比例并进行权重归一化；

判断是否满足边界条件2，如果满足则增大分错的负样本权重比例并进行权重归一化；

既不满足边界条件1也不满足边界条件2则进入下一级弱分类器的训练；

利用级联分类器之间集合关系减少重复计算的步骤为，在每一级强分类器的第一个弱分类器中对样本进行各个特征维度的排序，并且将排序结果记录下来；同时，记录下排序的样本的索引信息；

利用并行计算加速排序的步骤为，将原样本的特征维度进行拆分，根据训练程序所在环境的处理器情况拆分为S份，针对每一份特征维度都启用一个线程进行排序、计算每个样本的分错样本权重和，然后再将各个线程计算的结果进行合并，即可找出全局最小的分错样本权重之和；

上述训练程序所在环境是16核cpu内存32G的服务器上。

2.根据权利要求1所述的一种加快Adaboost训练速度与收敛速度的方法，其特征在于，对特征维度进行拆分得到的每一个线程进行样本层面的拆分与并行计算，根据训练程序所在环境的处理器情况，启动相应数量的线程并且绑定到不同的cpu上进行计算每个维度的分错样本权重和，然后再将各个线程计算的结果进行合并，即可找出所有维度中最小的分错样本权重之和。