[论文解读] GAdaBoost: Accelerating Adaboost Feature Selection with Genetic Algorithms

Mai F. Tolba, Mohamed Moustafa|arXiv (Cornell University)|Sep 20, 2016

Face and Expression Recognition参考文献 12被引用 5

一句话总结

本文提出 GAdaBoost，一种混合方法，通过整合遗传算法（GA）来探索一个缩减且动态演化的特征子集，从而加速基于 Adaboost 的 Viola-Jones 人脸检测器中的特征选择。该方法在 FDDB 和 Caltech Web Faces 数据集上将训练时间最多缩短 3.7 倍，检测准确率仅下降 3–4%，展现出在实时目标检测中极具吸引力的速度-准确率权衡。

ABSTRACT

Boosted cascade of simple features, by Viola and Jones, is one of the most famous object detection frameworks. However, it suffers from a lengthy training process. This is due to the vast features space and the exhaustive search nature of Adaboost. In this paper we propose GAdaboost: a Genetic Algorithm to accelerate the training procedure through natural feature selection. Specifically, we propose to limit Adaboost search within a subset of the huge feature space, while evolving this subset following a Genetic Algorithm. Experiments demonstrate that our proposed GAdaboost is up to 3.7 times faster than Adaboost. We also demonstrate that the price of this speedup is a mere decrease (3%, 4%) in detection accuracy when tested on FDDB benchmark face detection set, and Caltech Web Faces respectively.

研究动机与目标

• 解决 Viola-Jones 目标检测器因在庞大特征空间中进行 exhaustive Adaboost 特征搜索而导致的训练时间过长问题。
• 通过遗传算法将特征搜索限制在动态演化的子集内，减轻 Adaboost 的计算负担。
• 在显著加速训练的同时保持高检测准确率，从而实现实时目标检测器的快速部署。
• 在标准基准（FDDB 和 Caltech Web Faces）上评估训练速度与检测性能之间的权衡。

提出的方法

• 整合遗传算法（GA）以演化特征子集群体，替代 Adaboost 在完整特征空间中的暴力搜索。
• 利用 GA 迭代选择、交叉和变异有前景的特征子集，其适应度由 Adaboost 在训练数据上的分类性能定义。
• 仅对 GA 当前生成的特征子集应用 Adaboost，从而大幅减少每轮迭代的特征评估次数。
• 在多代中演化特征子集群体，通过选择压力优先保留能提升检测准确率并降低误差的子集。
• 通过种群大小和终止条件控制搜索空间规模，平衡探索与收敛。
• 使用 GA 识别出的最佳特征子集训练最终级联分类器，随后应用标准 Adaboost 提升。

实验结果

研究问题

• RQ1 遗传算法能否在不降低检测性能的前提下，有效缩小 Adaboost 特征选择的搜索空间？
• RQ2 GAdaBoost 相较于标准 Adaboost，训练速度能提升多少，同时保持相近的准确率？
• RQ3 不同 GA 迭代次数（如 20 次与 50 次）对最终检测准确率和训练速度有何影响？
• RQ4 GAdaBoost 在 FDDB 和 Caltech Web Faces 等标准基准上的性能与基线 Adaboost 相比如何？
• RQ5 GAs 的可并行特性是否可在未来实现中进一步加速训练？

主要发现

• 与标准 Adaboost 相比，GAdaBoost 将训练时间最多缩短 3.7 倍，其中 20 次和 50 次迭代分别仅需基线训练时间的 73.2% 和 55.3%。
• 在 FDDB 数据集上，50 次迭代的 GAdaBoost 在 1000 个假阳性的条件下达到 65% 的真正例率，而基线为 67%，表明性能下降 2%。
• 在 Caltech Web Faces 数据集上，50 次迭代的 GAdaBoost 在 1000 个假阳性的条件下达到 48% 的真正例率，而基线为 51%，反映出 3% 的准确率下降。
• 50 次迭代的 GAdaBoost 变体始终优于 20 次迭代版本，尤其在较低假阳性阈值下表现更优，表明其收敛性更佳。
• 在最佳情况下，GAdaBoost 的检测准确率几乎与基线持平，尤其是在较高假阳性阈值下，显示出良好的鲁棒性。
• 该方法展现出有利的速度-准确率权衡，尽管训练时间大幅减少，但性能下降极小（3–4%）。