Resumen

Se propone un algoritmo de aprendizaje AdaBoost reforzado para la detección de objetos con representaciones de patrones locales. Al implementar el aprendizaje Adaboost, el algoritmo propuesto emplea un criterio exponencial como función de costo y el método de Newton para su optimización. En particular, introducimos una selección óptima de clasificadores débiles que minimizan la función de costo y derivan las predicciones reforzadas basadas en una estimación de confianza judicial para determinar los resultados de la clasificación. El clasificador débil del método propuesto produce predicciones con valores reales, mientras que el del método Adaboost convencional produce predicciones con valores enteros de +1 o 1. Por lo tanto, en los algoritmos de aprendizaje convencionales, los pesos de toda la muestra se actualizan al mismo ritmo. Por el contrario, el algoritmo de aprendizaje propuesto permite que los pesos de la muestra se actualicen individualmente dependiendo del nivel de confianza de cada predicción del clasificador débil, reduciendo así

• Materias:Robots Cuidados pediátricos Experimentos numéricos Radares Factores psicológicos
• Subjects:Robot Pediatric care Numerical experiments Radars Psychological factors
• Palabras claves:Reforzado; Aprendizaje Adaboost; Algoritmo; Clasificadores débiles; Función de coste; Clasificación
• Keywords:Reinforced; Adaboost learning; Algorithm; Weak classifiers; Cost function; Classification