负样本继承的高效矩阵瀑布分类器学习算法：提升训练效率与检测性能

本文档探讨的是"负样本信息继承的矩阵式瀑布分类器高效学习算法"，发表于2015年的《计算机应用》期刊，第35卷第9期，页码2596-2601。该研究由刘阳、闰胜业和刘青山三位作者针对矩阵式瀑布分类器在负样本自举过程中存在的问题进行改进。矩阵式瀑布分类器在训练过程中依赖大量负样本，但传统的自举方法往往效率低下，导致学习时间和检测性能受到严重影响。 论文提出了一种新型的学习算法，即通过结合样本继承与层次自举策略来优化负样本的选择和利用。首先，算法从上一层强分类器使用的负样本集中继承那些有效的负样本，这样可以显著减少寻找高质量负样本的时间。当继承的样本不足以满足训练需求时，再从负图像集中进行补充，但通过预筛选的方式，确保新自举的样本具有更高的质量，从而提升最终分类器的性能。 实验结果显示，采用这种新的负样本继承算法，相较于传统的矩阵式瀑布分类器，训练时间节省了大约20小时，而且在检测性能上提高了1个百分点。此外，该算法在与17种人体检测算法的比较中也显示出优秀的性能。总体来看，作者提出的算法在提高训练效率和检测准确度方面取得了显著的进步，对于提高矩阵式瀑布分类器的整体效能具有重要意义。 论文的关键点集中在瀑布型分类器的优化、负样本的智能选择和自举策略的改进，以及这些改进如何提升算法在实际应用中的效果。中图分类号 TP391.41 指示这是一篇计算机科学领域的技术论文，文献标志码A表示文章质量经过评估。