弱与强描述符-机器视觉

Question

我听说过类似Haar的特性被描述为弱描述符，Adaboost方法在这种情况下比SVM更有利。我的问题是，什么是弱描述符和强描述符，为什么增强方法的性能优于支持向量机(例如)？

Answer 1

弱描述符将是不太精细或调优的东西(例如: haar特性、边缘映射等)。强描述子(SIFT/SURF/MSER)是一种精确、在模糊、视点/光照变化、JPEG压缩下具有较高重复性的描述子。对于弱描述子，boosting方法性能更好，而支持向量机( SVM )适合于强描述符。这是因为助推的思想是结合许多弱分类器来学习分类器。在haar类特征中，adaboost结合了许多这样的弱特征来学习强分类器。支持向量机试图在两类之间的最混淆的特征之间拟合一个超平面，因此为了使SVM性能更好，分类之间的混淆应该更少，特征应该是健壮和准确的。