Troomes

En el presente artículo, se investiga la aplicación de Support Vector Machines (SVM) en la visión por computadora. SVM es una técnica de aprendizaje desarrollado por V. Vapnik y su equipo (AT & T Bell Labs.) Que se puede ver como un nuevo método para entrenar polinomida, red neuronal, o clasificadores de Funciones de Base Radial. Las surjiaces de decisión se encuentran resolviendo una restricción lineal problema de programación cuadrática. Esta optimización es un problema desafiante porque la forma cuadrática es completamente densa y los requisitos de memoria crecen con el cuadrado del número de puntos de datos.
Se presenta un algoritmo de descomposición que garantiza optimalidad global, y se puede utilizar para entrenar SVM sobre grandes conjuntos de datos. La idea principal detrás de la descomposición es la solución iterativa de sub-problemas y la evaluación condiciones de optimalidad que se utilizan tanto para generar valores iterativos mejorados, y también establecer la parada criterios para el algoritmo.
Finalmente, se presentan los resultados experimentales de la implementación de SVM, y se demuestra la viabilidad del enfoque propuesto sobre un problema de detección de rostros que involucra un conjunto de datos de 50,000 puntos de datos.