درخت تصمیم

درخت تصمیم ? یادگیری ماشین، هوش مصنوعی بیاید که یک مطلب جدید براتون آوردم ??
سلام ??️من وارد سایتpaperswithcode شدم یک مقاله که از روش درخت تصمیم به عنوان روش اصلی (main solution) استفاده کرده را ترجمه و مطالعه کردم و خلاصه آن را برای شما شرح دادم :

ما روشی را برای تشخیص شی بصری بر اساس مجموعه‌ای از درخت‌های تصمیم بهینه سازمان‌دهی شده در یک آبشار از ردکننده‌ها توصیف می‌کنیم. درختان از مقایسه شدت پیکسل در گره های داخلی خود استفاده می کنند و این باعث می شود که بتوانند مناطق تصویر را بسیار سریع پردازش کنند. تجزیه و تحلیل تجربی از طریق مشکل تشخیص چهره ارائه می شود. نتایج به‌دست‌آمده دلگرم‌کننده هستند و نشان می‌دهند که این روش دارای ارزش عملی است. علاوه بر این، ما حساسیت آن به نویز را تجزیه و تحلیل می‌کنیم و نحوه انجام تشخیص شی ثابت با چرخش سریع را نشان می‌دهیم. کد منبع کامل در https://github.com/nenadmarkus/pico ارائه شده است
خلاصه?
ما روشی را برای تشخیص شی بصری بر اساس توصیف می کنیم
مجموعه ای از درختان تصمیم بهینه سازماندهی شده در یک مورد
دسته رد کننده ها درختان از شدت پیکسل در مقایسه با
ایزون ها در گره های داخلی خود هستند و این باعث می شود که بتوانند
مناطق تصویر را بسیار سریع پردازش کنید. تجزیه و تحلیل تجربی است
از طریق مشکل تشخیص چهره ارائه شده است. به دست آمده
نتایج دلگرم کننده است و نشان می دهد که روش
ارزش عملی دارد علاوه بر این، ما حساسیت آن را تجزیه و تحلیل می کنیم
دارای نویز و نشان دادن نحوه انجام چرخش سریع غیر متغیر
تشخیص شی مورچه کد منبع کامل در ارائه شده است
https://github.com/nenadmarkus/pico
معرفی
در بینایی کامپیوتر، تشخیص را می توان به عنوان یک وظیفه توصیف کرد
پیدا کردن موقعیت ها و مقیاس های همه اشیاء در یک تصویر
که به یک کلاس ظاهری معین تعلق دارند. مثلاً اینها
اشیاء می توانند اتومبیل، عابر پیاده یا صورت انسان باشند. خودکار
تشخیص اشیا طیف وسیعی از کاربردها را دارد. مقداری
شامل بیومتریک، کمک راننده، نظارت بصری و
رابط های هوشمند انسان و ماشین این اپلیکیشن ها ایجاد می کنند
انگیزه قوی برای توسعه سریع و دقیق
روش های تشخیص اشیا
ویولا و جونز به طور عملی تشخیص اشیا را انجام داده اند
در کاربردهای دنیای واقعی امکان پذیر است. این به دلیل این واقعیت است
که سیستم ها بر اساس چارچوب خود می توانند تصاویر را پردازش کنند
بسیار سریعتر از رویکردهای قبلی در حالی که دستیابی به موارد مشابه
نتایج تشخیص با این حال، برخی از برنامه ها می توانند از مزایای آن بهره مند شوند
آشکارسازهای سریعتر، و این انگیزه اصلی ما بود
پژوهش. ما علاقه مند به حمایت از طیف گسترده ای از
رایانه شخصی و دستگاه های تلفن همراه با قدرت پردازش محدود. بدین ترتیب،
برای اینکه سیستم ما در این برنامه ها کاربردی باشد، ما هستیم
آماده است تا دقت تشخیص را به قیمت بهتر قربانی کند
سرعت پردازش و سادگی
در این مقاله، ما یک فریمور تشخیص شی را توضیح می دهیم
که قادر است تصاویر را با حفظ کامپوزیت بسیار سریع پردازش کند.
دقت درخواستی ایده های اساسی در بخش 2 توضیح داده شده است.
و تحلیل تجربی در
یافته های ما را به هم می ریزد و در مورد جهت گیری های تحقیقاتی آینده بحث می کند.
ما متوجه شده ایم (فوریه 2014) که تقریباً یکسان است
چارچوب توسط لیائو و همکاران توصیف شده است. در یک فنی
در اینجا ما کار آنها را تصدیق می کنیم و آن را بیان می کنیم
تحقیق ما کاملاً مستقل انجام شده است.
روش
رویکرد ما اصلاح استاندارد Viola-Jones است
چارچوب تشخیص اشیا ایده اصلی اسکن کردن است
تصویر با آبشاری از طبقه‌بندی‌کننده‌های باینری کاملاً منطقی است
موقعیت ها و مقیاس ها یک منطقه تصویر به عنوان یک موضوع طبقه بندی می شود
موضوع مورد علاقه در صورتی که با موفقیت از تمام اعضای گروه عبور کند
آبشار هر طبقه بندی کننده باینری از مجموعه ای از د-
درختان cision با مقایسه شدت پیکسل به عنوان تست های باینری
در گره های داخلی آنها فرآیند یادگیری شامل الف
روش ساخت درخت رگرسیون حریص و تقویت
الگوریتم جزئیات در زیر بخش های زیر آورده شده است.
درخت تصمیم برای رگرسیون مبتنی بر تصویر
برای رسیدگی به مشکل رگرسیون مبتنی بر تصویر، ما استفاده می کنیم
یک درخت تصمیم گیری دودویی بهینه با ترکیب شدت پیکسل
پاریزون ها به عنوان تست های باینری در گره های داخلی آن. این رویکرد
توسط آمیت و جمن در [1] معرفی شد و بعدها موفقیت
به طور کامل توسط سایر محققان و مهندسان استفاده می شود (به عنوان مثال،
نگاه کنید به [16، 15، 13]). تست باینری مقایسه شدت پیکسل در
تصویر I به عنوان تعریف شده است
bintest(I; l1, l2) = (
0، I(l1) ≤ I(l2)
1، در غیر این صورت،
(1)
که در آن I(li) شدت پیکسل در مکان li است
. مکان l1
و l2 در مختصات نرمال شده هستند، یعنی هر دو از آن هستند
مجموعه [-1، +1] × [-1، +1]. این بدان معنی است که تست های باینری می توانند
در صورت نیاز به راحتی قابل تغییر اندازه است. هر گره پایانی درخت
شامل یک اسکالر است که خروجی را مدل می کند.
بر ساخت درخت نظارت می شود. داده های آموزشی
یک مجموعه است {(Is, vs, ws) : s = 1, 2, . . . ، S} جایی که vs زمین است
ارزش حقیقت مرتبط با تصویر Is و ws اهمیت آن است
فاکتور (وزن). به عنوان مثال، در مورد کلاس باینری
افسانه، حقایق پایه نشان دهنده برچسب طبقاتی است: مثبت
نمونه ها با 1+ و نمونه های منفی با حاشیه نویسی می شوند
-1. وزن‌های ws ما را قادر می‌سازند که اهمیت متفاوتی قائل شویم
ارزش هر یک از این نمونه ها این مهم ثابت خواهد شد
بعد. آزمون باینری در هر گره داخلی درخت به صورت se- است.
به گونه ای انتخاب شده است که میانگین وزنی مربع خطا را به حداقل برساند
زمانی بدست می آید که داده های آموزشی دریافتی توسط آزمون تقسیم شود.
این با به حداقل رساندن مقدار زیر انجام می شود:
WMSE = X
(I,v,w)∈C0
w ·(v −v¯0)
2 +
ایکس
(I,v,w)∈C1
w ·(v −v¯1)
2
، (2
گره آ
درخت ساخته شده برای ذخیره سازی و اجرای آن به بایت های O (2D) نیاز دارد.
مقیاس سرعت زمان به صورت O (D).
مجموعه ای از درختان برای طبقه بندی باینری
کاتیون
یک درخت تصمیم منفرد معمولاً می‌تواند به مقدار متوسطی برسد.
نژادپرستانه از سوی دیگر، مجموعه ای از درختان می تواند به دست آورد
نتایج چشمگیر ما از الگوریتم GentleBoost [4]، a
اصلاح AdaBoost شناخته شده تر، برای ایجاد دیس
مجموعه مجرمانه با برازش متوالی درخت تصمیم به
یک مسئله حداقل مربعات مناسب
به منظور ایجاد مجموعه ای از درختان K از یک آموزش
set {(Is, cs): s = 1, 2,. . . ، S}، الگوریتم در ادامه می یابد
مراحل زیر:

English
Persian
Initialize the weight ws for each image Is and its class
label cs ∈ {−1, +1} as
ws =
(
1/P, cs = +1
1/N, cs = −1
where P is the total number of positive samples and N
is the total number of negative samples.
2. For k = 1, 2, . . . , K :
(a) Fit a decision tree Tk by weighted least squares of cs
to Is with weights ws (as explained in section 2.1).
(b) Update weights:
ws = ws exp (−csTk(Is)),
where Tk(Is) denotes the real-valued output of tree
Tk on image Is.
(c) Renormalize weights so they sum to 1.
3. Output ensemble {Tk : k = 1, 2, . . . , K}.
During runtime, the outputs of all trees in the ensemble
are summed together and the obtained value is thresholded
in order to obtain a class label. We can achieve different ratios
of true positives to false positives by varying the threshold.
This proves important in building an efficient detector, as
described in the next sect
وزن ws را برای هر تصویر Is و کلاس آن مقداردهی کنید
برچسب cs ∈ {−1، +1} به عنوان
ws =
(
1/P، cs = +1
1/N، cs = -1
که در آن P تعداد کل نمونه های مثبت و N است
تعداد کل نمونه های منفی است.
2. برای k = 1، 2، . . . ، ک:
(الف) درخت تصمیم Tk را با حداقل مربعات وزنی cs برازش دهید
به است با وزن ws (همانطور که در بخش 2.1 توضیح داده شد).
(ب) به روز رسانی وزن:
ws = ws exp (−csTk(Is))،
که در آن Tk(Is) خروجی با ارزش واقعی درخت را نشان می دهد
Tk روی تصویر است.
ج) وزن ها را مجدداً عادی کنید تا مجموع آنها برابر با 1 شود.
3. گروه خروجی {Tk : k = 1, 2, . . . ، K}.
در طول زمان اجرا، خروجی تمام درختان در گروه
با هم جمع می شوند و مقدار به دست آمده در آستانه قرار می گیرد
برای به دست آوردن برچسب کلاس ما می توانیم به نسبت های مختلف دست پیدا کنیم
از مثبت واقعی به مثبت کاذب با تغییر آستانه.
این امر در ساخت یک آشکارساز کارآمد مهم است
در بخش بعدی توضیح داده شده است تشخیص به عنوان اسکن تصویر با بدنه
دسته طبقه بندی کننده های باینری
بدون هیچ دانش پیشینی، ما باید به طور سیستماتیک
تصویر را با طبقه‌بندی‌کننده باینری ما در تمام نقاط مختلف اسکن کنید.
موقعیت ها و مقیاس ها به منظور یافتن اشیاء مورد علاقه. مانند
این از نظر محاسباتی نیازمند است، ما پیشنهاد را دنبال می کنیم
ویولا و جونز ایده اصلی استفاده از چند طبقه بندی است
مراحل کاتیونی با افزایش پیچیدگی هر مرحله تشخیص می دهد
تقریباً همه اشیاء مورد علاقه در حالی که کسر خاصی را رد می کنند
از غیر اشیا بنابراین، اکثریت غیر اشیاء رد می شوند
در مراحل اولیه، یعنی با صرف زمان کمی برای پردازش.
در مورد ما، هر مرحله از مجموعه ای از درختان تشکیل شده است.
مراحل اولیه درختان کمتری نسبت به مراحل بعدی دارند. آشکارساز
نرخ حرکت هر مرحله با تنظیم خروجی تنظیم می شود
آستانه مجموعه آن هر مرحله از خروجی نرم استفاده می کند
("اطمینان") مرحله قبل به عنوان اطلاعات اضافی
برای بهبود تبعیض پذیری آن این با پیشرفت به دست می آید .
امید وارم مطالب براتون مفید بوده باشه ?

خسته نباشید مهندسا ??️

اگه میخواهید مطالب بیشتر بدانید وارد سایت معرفی شده بروید??

زهره غنی آبادی دانشجو ارشد هوش مصنوعی دانشگاه صنعتی مالک اشتر تهران?️