如何为人脸检测的最优方法指定弱分类器的阈值

Question

我读过基于简单特征增强级联的快速目标检测。在第3部分中，定义了这样一个弱分类器：

​

​

我的问题是:如何指定阈值theta_j

对于强班学生来说，我的问题是：

​

Answer 1

弱学习者计算各特征的参数theta_j。Viola和Jones的方法更好地记录在他们的2004年版他们的论文中，并且，IMHO非常类似于ROC分析。您必须针对训练集测试每个弱分类器，以寻找导致最小加权错误的theta_j。我们之所以说“加权”，是因为我们使用与每个训练样本相关的w_t,i值来对错误分类进行加权。

关于强分类器阈值的直观答案，请考虑所有的alpha_t = 1。这意味着至少应该有一半弱分类器输出1用于x，而强分类器输出1用于x。请记住，弱分类器输出1，如果它们认为x是face，而0则是face。

在Adaboost中，alpha_t可以被看作是对弱限定词质量的一种度量，即弱分类器所犯的错误越少，将会是。由于一些弱分类器比其他分类器更好，因此根据它们的质量来衡量他们的选票似乎是个好主意。强分类器的右手不等式反映出，如果权重加起来至少占所有权重的50%，则将x分类为1 (face)。

Answer 2

您需要确定每个特性的theta_j。这是弱分类器的训练步骤。通常，找到最佳的theta_j取决于弱分类器的模型。在这种情况下，您需要检查这个特定特性对您的培训数据进行的所有值，并查看哪些值会导致最低的错误分类率。这将是你的theta_j。