我已阅读 Rapid Object Detection using a Boosted Cascade of Simple Features .在第 3 部分中,它定义了一个像这样的弱分类器:
我的问题是:如何指定阈值theta_j
?
对于强分类器,我的问题是这样的:
最佳答案
参数 theta_j
由弱学习器为每个特征计算。 Viola 和 Jones 的方法在他们的 2004 version of their paper 中得到了更好的记录。 , 恕我直言,与 ROC analysis 非常相似.您必须针对训练集测试每个弱分类器,寻找导致最小加权误差的 theta_j
。我们说“加权”是因为我们使用与每个训练样本关联的 w_t,i
值来加权错误分类。
对于强分类器阈值的直观答案,请考虑所有 alpha_t = 1
。这意味着对于 x
的强分类器输出 1,您应该至少有一半的弱分类器输出 1 for x
。请记住,如果弱分类器认为 x
是人脸,则输出 1,否则输出 0
。
在 Adaboost 中,alpha_t
可以被认为是弱限定器质量的度量,即弱分类器犯的错误越少,the higher its alpha
will be .由于一些弱分类器比其他的更好,因此根据它们的质量对它们的投票进行加权似乎是个好主意。右手边的强分类器不等式反射(reflect)了如果权重加起来至少是所有权重的50%,则将x
分类为1(人脸)。
关于face-detection - 如何为人脸检测器的adaboost方法指定弱分类器的阈值,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/24398614/