弱与强描述符 - 机器视觉

【问题标题】：Weak vs Strong descriptors - machine vision弱与强描述符 - 机器视觉
【发布时间】：2014-07-25 03:37:42
【问题描述】：

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 方法优于 SVM。我的问题是什么是弱描述符和强描述符，为什么提升方法比 SVM 表现更好（例如）？

【问题讨论】：

不是描述符，而是分类器。 stackoverflow.com/a/12097371/1983544

标签： machine-learning computer-vision haar-classifier haar-wavelet feature-descriptor

【解决方案1】：

弱描述符是指不太精炼或调整的东西（例如：haar 特征、边缘图等）。强描述符（SIFT/SURF/MSER）将是准确的，在模糊、视点/光照变化、JPEG 压缩下具有高重复性。增强方法对于弱描述符会表现更好，而 SVM 将适用于强描述符。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 like features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，因此为了让 SVM 表现更好，类之间的混淆应该更少并且特征应该是健壮和准确的。

【讨论】：