可以迭代地训练具有检测到的假阳性的SVM吗？

Question

我正在研究图像处理中的一个机器学习问题。我想通过使用定向梯度直方图(HOG)和支持向量机(SVM)来获得图像中对象的位置。我已经阅读了几篇关于训练SVM的文章和教程。设置是非常标准的。我已经标记了正训练图像，现在需要生成一组负训练样本。

在文献中，经常发现通过随机选择位置来生成负训练样本的方法。我还看到一些方法，在选择随机负样本的连续步骤中，检测的假阳性再次用作负训练样本。然而，我想知道，如果一个人不能从一开始就使用这种方法。因此，人们将只随机生成一个假训练样本，运行检测，并将假阳性再次放入负训练集中。对我来说，这似乎是一个相当明显的策略，但我想知道我是否遗漏了什么。

Answer 1

这种方法背后的理论是由P. Felzenszwalb，R. Girshick，D. McAllester，D. Ramanan在他们的PAMI论文中在Object Detection with Discriminatively Trained Part Based Models中提出的。本质上，你开始的负集并不重要，如果你迭代地添加硬样本( SVM差值> -1)，你总是会收敛到同一个分类器。从单个负数开始只会使收敛变慢。

Answer 2

对我来说，这听起来像是你想在线/增量地训练SVM分类器，即用新样本更新分类器。这些方法通常只在新数据随着时间的推移而出现时才会使用。在您的案例中，您似乎可以生成一整套负训练样本，因此不需要对其进行增量训练。我倾向于说，在一次运行中训练分类器比增量地训练分类器要好(正如larsmans所暗示的那样)。

Answer 3

(再说一次，我不是图像处理专家，所以对此持保留态度。)

我想知道，如果一个人不能从一开始就使用这种方法。

您需要一些方法来检测分类运行中的误报。要做到这一点，你需要一个基本的事实，也就是，你需要一个人在循环中。实际上，你就是在做active learning。如果这就是你想要做的，你也可以从一堆手工标注的负面例子开始。

或者，您可以将其设置为PU learning问题。我不知道这是否适用于图像，但对于文本分类，它有时是有效的。