In this paper we introduce the Boosted Random Ferns (BRFs) to rapidly build discriminative classifiers for learning and detecting object categories. At the core of our approach we use standard random ferns, but we introduce four main innovations that let us bring ferns from an instance to a category level, and still retain efficiency. First, we define binary features on the histogram of oriented gradients-domain (as opposed to intensity-), allowing for a better representation of intra-class variability. Second, both the positions where ferns are evaluated within the sliding window, and the location of the binary features for each fern are not chosen completely at random, but instead we use a boosting strategy to pick the most discriminative combination of them. This is further enhanced by our third contribution, that is to adapt the boosting strategy to enable sharing of binary features among different ferns, yielding high recognition rates at a low computational cost. And finally, we show that training can be performed online, for sequentially arriving images. Overall, the resulting classifier can be very efficiently trained, densely evaluated for all image locations in about 0.1 seconds, and provides detection rates similar to competing approaches that require expensive and significantly slower processing times. We demonstrate the effectiveness of our approach by thorough experimentation in publicly available datasets in which we compare against state-of-the-art, and for tasks of both 2D detection and 3D multi-view estimation.

中文翻译：

---

用于目标检测的增强随机蕨类植物

在本文中，我们介绍了 增强随机蕨类植物（BRF），以快速建立区分性分类器，以学习和检测对象类别。我们方法的核心是使用标准随机蕨类植物，但是我们引入了四个主要创新，使我们能够将蕨类植物从一个实例带到一个类别级别，并且仍然保持效率。首先，我们在定向梯度域（与强度相反）的直方图上定义二元特征，以更好地表示类内变异性。其次，在滑动窗口中评估蕨类植物的位置以及每个蕨类植物的二元特征的位置并不是完全随机选择的，而是使用增强策略来选择它们中最有区别的组合。我们的第三项贡献进一步增强了这一点，也就是说，要采用增强策略，以使不同蕨类之间能够共享二元特征，从而以较低的计算成本获得较高的识别率。最后，我们证明可以在线进行训练，以获取顺序到达的图像。总的来说，可以对分类器进行非常有效的训练，在大约0.1秒内对所有图像位置进行密集评估，并提供与需要昂贵且处理时间明显缩短的竞争方法相似的检测率。我们通过在公开数据集中进行彻底的实验来证明我们的方法的有效性，在该数据集中我们将其与最新技术进行了比较，并且适用于2D检测和3D多视图估计的任务。我们显示可以针对顺序到达的图像进行在线训练。总体而言，可以对分类器进行非常有效的训练，并在约0.1秒内对所有图像位置进行密集评估，并提供类似于竞争方法的检测速度，而竞争方法则需要昂贵且显着较慢的处理时间。我们通过在公开数据集中进行彻底的实验来证明我们的方法的有效性，在该数据集中我们将其与最新技术进行了比较，并且适用于2D检测和3D多视图估计的任务。我们显示可以针对顺序到达的图像进行在线训练。总的来说，可以对分类器进行非常有效的训练，在大约0.1秒内对所有图像位置进行密集评估，并提供与需要昂贵且处理时间明显缩短的竞争方法相似的检测率。我们通过在公开数据集中进行彻底的实验来证明我们的方法的有效性，在该数据集中我们将其与最新技术进行了比较，并且适用于2D检测和3D多视图估计的任务。