我听说类似 Haar 的特征被描述为弱描述符，因此在这种情况下 Adaboost 方法比 SVM 更有优势。我的问题是什么是弱描述符和强描述符以及为什么 boosting 方法比 SVM 表现更好(例如)？
最佳答案
弱描述符是指不太细化或调整的东西(例如:haar 特征、边缘图等)。强大的描述符(SIFT/SURF/MSER)应该是准确的，在模糊、视点/照明变化、JPEG 压缩下具有高可重复性。 Boosting 方法对于弱描述符会表现得更好，而 SVM 将适合强描述符。这是因为boosting的思想是结合很多弱分类器来学习一个分类器。在haar类特征的情况下，adaboost结合了许多这样的弱特征来学习一个强分类器。 SVM 试图在两个类之间最容易混淆的特征之间拟合一个超平面，因此为了使 SVM 表现更好，类之间的混淆应该更少，并且特征应该稳健且准确。
关于machine-learning - 弱描述符与强描述符 - 机器视觉，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/24038246/