P-N Learning: Bootstrapping Binary Classifiers by Structural Constraints

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F10%3A00175503" target="_blank" >RIV/68407700:21230/10:00175503 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

P-N Learning: Bootstrapping Binary Classifiers by Structural Constraints

Popis výsledku v původním jazyce

This paper shows that the performance of a binary clas- sifier can be significantly improved by the processing of structured unlabeled data, i.e. data are structured if know- ing the label of one example restricts the labeling of the others. We propose anovel paradigm for training a binary classifier from labeled and unlabeled examples that we call P-N learning. The learning process is guided by positive (P) and negative (N) constraints which restrict the label- ing of the unlabeled set. P-N learning evaluates the clas- sifier on the unlabeled data, identifies examples that have been classified in contradiction with structural constraints and augments the training set with the corrected samples in an iterative process. We propose a theory that formu-lates the conditions under which P-N learning guarantees improvement of the initial classifier and validate it on syn- thetic and real data. P-N learning is applied to the problem of on-line learning of object detector during tracking. We

Název v anglickém jazyce

P-N Learning: Bootstrapping Binary Classifiers by Structural Constraints

Popis výsledku anglicky

This paper shows that the performance of a binary clas- sifier can be significantly improved by the processing of structured unlabeled data, i.e. data are structured if know- ing the label of one example restricts the labeling of the others. We propose anovel paradigm for training a binary classifier from labeled and unlabeled examples that we call P-N learning. The learning process is guided by positive (P) and negative (N) constraints which restrict the label- ing of the unlabeled set. P-N learning evaluates the clas- sifier on the unlabeled data, identifies examples that have been classified in contradiction with structural constraints and augments the training set with the corrected samples in an iterative process. We propose a theory that formu-lates the conditions under which P-N learning guarantees improvement of the initial classifier and validate it on syn- thetic and real data. P-N learning is applied to the problem of on-line learning of object detector during tracking. We

Druh

D - Stať ve sborníku

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

<a href="/cs/project/GA102%2F07%2F1317" target="_blank" >GA102/07/1317: Metody pro vizuální rozpoznávání velkých souborů elastických objektů</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2010

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

CVPR 2010: Proceedings of the 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition

ISBN

978-1-4244-6984-0

ISSN

1063-6919

e-ISSN

—

Počet stran výsledku

8

Strana od-do

—

Název nakladatele

Omnipress

Místo vydání

Madison

Místo konání akce

San Francisco

Datum konání akce

13. 6. 2010

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000287417500007