machine-learning - 弱与强描述符 - 机器视觉

Question

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）？

Answer 1

弱描述符将是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 压缩下具有高可重复性。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haarlike特征的情况下，adaboost结合了很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，特征应该是健壮和准确的。