85、低训练强度高容量分类器与新型阴影辅助人体跌倒检测方案

低训练强度高容量分类器与新型阴影辅助人体跌倒检测方案

在机器学习和计算机视觉领域，分类器性能优化以及人体跌倒检测都是重要的研究方向。本文将介绍低训练强度高容量分类器的相关研究，以及一种新型的阴影辅助人体跌倒检测方案。

低训练强度高容量分类器

在二分类监督学习问题中，我们可以借助Tumer - Ghosh附加分类误差模型，对二进制基分类器决策与目标类之间映射的频谱表示进行分析。

沃尔什系数计算

考虑一个集成框架，其中有N个并行的基分类器。对于第m个训练模式，由N个分类器的决策形成N维向量$X_m$。对于有μ个训练模式的二分类监督学习问题，每个模式$X_m$的目标标签表示为$\Omega_m = \Phi(X_m)$，其中$m = 1 … μ$，$\Omega_m \in {-1, 1}$，$\Phi$是将$X_m$映射到$\Omega_m$的未知布尔函数。

二进制向量$X_m$表示第m个原始训练模式：
$X_m = (X_{m1}, X_{m2}, …, X_{mN})$

沃尔什变换通过映射$T_n$递归定义：
$\begin{bmatrix}T_{n - 1} & -T_{n - 1} \ T_{n - 1} & T_{n - 1}\end{bmatrix}$，且$T_1 = \begin{bmatrix}1 & -1 \ 1 & 1\end{bmatrix}$

从上述变换导出的一阶和二阶频谱系数定义如下：
- 一阶系数：$s_i = \frac{1}{\mu} \sum_{m = 1}^{\mu} \Omega_m X_{mi}$ <