【发布时间】：2014-08-15 10:08:59
【问题描述】：
我已阅读Rapid Object Detection using a Boosted Cascade of Simple Features。在第 3 部分中，它定义了一个这样的弱分类器：
我的问题是：如何指定阈值theta_j？
对于强大的分类器，我的问题是这样的：
【问题讨论】：
标签： face-detection adaboost viola-jones
【发布时间】：2014-08-15 10:08:59
【问题描述】：
您需要确定每个特征的 theta_j。这是弱分类器的训练步骤。一般来说，找到最好的 theta_j 取决于你的弱分类器的模型。在这种特殊情况下，您需要检查此特定功能对您的训练数据采用的所有值，并查看哪些值会导致最低的误分类率。这将是你的 theta_j。
【讨论】：
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 中有更好的记录，而且，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，以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相关联的 w_t,i 值来对错误分类进行加权。
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，您应该至少有一半的弱分类器输出 1，而对于 x，强分类器输出 1。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符质量的度量，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分类器更好，因此根据它们的质量加权它们的投票似乎是一个好主意。强分类器不等式的右手表示，如果权重加起来至少占所有权重的 50%，则将x 分类为 1（人脸）。
【讨论】：