face-detection - 如何为人脸检测器的adaboost方法指定弱分类器的阈值

Question

我已经阅读了 Rapid Object Detection using a Boosted Cascade of Simple Features。在第 3 部分中，它定义了一个弱分类器，如下所示：

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：

Answer 1

theta_j弱学习器为每个特征计算参数。Viola 和 Jones 的方法在他们2004 年版本的论文中得到了更好的记录，而且，恕我直言，与ROC 分析非常相似。您必须针对训练集测试每个弱分类器，以寻找theta_j导致最小加权误差的分类器。我们说“加权”是因为我们使用w_t,i与每个训练样本相关的值来对错误分类进行加权。

有关强分类器阈值的直观答案，请考虑所有alpha_t = 1. 这意味着您应该至少有一半的弱分类器输出 1 forx强分类器输出 1 for x。请记住，如果弱分类器认为那x是一张脸，则输出 1，0否则输出 1。

在 Adaboost 中，alpha_t可以认为是弱分类器质量的衡量标准，即弱分类器犯的错误越少，它alpha的. 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%，则分类x为 1（人脸）。

Answer 2

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。