| 摘要 |
「分类器训练程式」训练组合分类器以用于侦测讯号内的特定物件(例如影像内的脸部、谈话内的语句、讯号内的图案等等)。在一个具体实施例内，导入「多实例修剪」(MIP,“Multiple Instance Pruning”)以用于训练弱势分类器或该组合分类器的「特征」。尤其是，受训练过的组合分类器以及用于设定伪正/负操作点的相关最终临界与学到的中间退回临界(intermediate rejection thresholds)结合，来建立该组合分类器。运用修剪处理来学退回临界，其确定该组合分类器也可侦测到原始组合分类器所侦测到的物件，藉此保证修剪过后训练集合上相同的侦测率。整个训练当中所需唯一的参数为最终串联系统的一目标侦测率。在额外的具体实施例内，使用加权调整、引导指令以及称为「fat stump」分类器的弱分类器之许多组合来训练组合分类器。 |
