问题标签 [adaboost]

这是我第一次使用 opencv 的 haartraining。

只是为了练习，我使用了 35 个正图像和 45 个负图像。

但是当我尝试从数据中训练时，它不会永远完成，

即使参数被极度调整。

（最小命中率 = 0.001，最大误报率 = 0.999

由于这个极端值，我认为不会花费很多时间）

我的实验一定有什么问题？

这是我的命令和参数。

和结果。

我有一个奇怪的问题，每当我尝试将 adabag 包的增强功能中的 mfinal 参数增加到 10 以上时，我都会收到一个错误，即使 mfinal=9 我也会收到警告。

我的火车数据有 7 个类因变量和 100 个自变量以及大约 22000 个数据样本（使用 DMwR 检测了一类）。我的因变量按顺序位于训练数据集的末尾。

提前致谢。

我正在尝试使用 openCV 库训练一个 adaboost 分类器，用于视觉行人检测。我遇到了这样一个概念，即 adaboost 允许选择最相关的特征，这意味着，如果我从图像中收集 50.000 个特征，然后使用它们来训练分类器，在训练过程结束时我将能够选择，例如，这 50.000 个中最好的 2000 个。

然后，为了速度，这将允许我在实际过程中只收获那 2000 个。

这是真的吗？还是我误会了？

如果为真，是否可以使用 openCV 库来完成？

此致

在使用 OpenCV 进行提升后，我正在尝试实现我自己的Adaboost算法版本（查看此处、此处和原始论文以获取一些参考资料）。

通过阅读所有材料，我提出了一些关于算法实现的问题。

1）我不清楚每个弱学习器的权重 a_t 是如何分配的。

在我指出的所有来源中，选择是a_t = k * ln( (1-e_t) / e_t )，k 是一个正常数，而 e_t 是特定弱学习器的错误率。

在此来源的第 7 页，它说该特定值最小化了某个凸可微函数，但我真的不明白这段话。

• 谁能给我解释一下？

2）我对训练样本的权重更新程序有一些疑问。

显然，应该以确保它们保持概率分布的方式来完成。所有参考文献都采用这种选择：

D_{t+1}(i) = D_{t}(i) * e^(-a_t y_i h_t(x_i)) / Z_t（其中 Z_t 是选择的归一化因子，因此 D_{t+1} 是一个分布）。

• 但是为什么权重更新的特定选择与特定弱学习器的错误率指数相乘？
• 还有其他可能的更新吗？如果是，是否有证据表明此更新保证了学习过程的某种最优性？

我希望这是发布此问题的正确位置，如果不是，请重定向我！
提前感谢您提供的任何帮助。

我想训练一个用于人脸检测的数据集。

我将使用 LBP 作为弱分类器，并使用 Adaboost 将它们提升为一个强分类器。

我有正样本和负样本。它们的大小为 18x18 像素。我将每张图片分成 9 个子区域。在每个块中，我正在计算每个像素的 LBP 值。并以块为单位计算它们的频率。所以每个块有 256 个值作为频率。

我的问题是，我如何在 Adaboost 中使用 LBP？Adaboost 需要一个弱分类器，但 LBP 本身无法对图像进行分类。如何修改 Adaboost 以从每个块中选择最重要的值？

我已经使用 openCV 工具构建了一个行人检测算法。为了执行分类，我使用了一个经过 CvBoost 类训练的增强分类器。

这个实现的问题是我需要为我的分类器提供我用于训练的整套特征。这使得算法非常慢，以至于每张图像需要大约 20 秒才能被完全分析。

我需要一个不同的检测结构，openCV 有这个 Soft Cascade 类，看起来正是我需要的。它的基本原理是不需要检查测试样本的所有特征，因为检测器可以使用少量特征拒绝大多数负样本。问题是我不知道如何在给定一组完全标记的负面和正面例子的情况下训练一个。

我在网上找不到有关此的信息，因此我正在寻找您可以给我的有关如何使用此软级联进行分类的任何提示。

此致

我在 Weka 实验环境中使用默认设置的 Adaboost M1 算法：

1. 运行 (1-10) -> 10 次运行以提供更具统计意义的结果
2. 随机拆分结果生成器
3. 我使用训练百分比将训练与评估数据分开

现在，问题在于加权平均 TP 和 FP 结果。我明白了：

TP：0.8
FP：0.47

但据我所知，如果 TP 率为 0.8，FP 率应该高达 0.2？我假设这与 10 次运行有关，但无论如何，如果从这次运行中获取平均值，那么这个 FP 率应该会低得多吗？

抱歉，如果这是一个太简单的问题，但从我的逻辑来看，这似乎是 Weka 工具包中的错误，还是我错了？谢谢

编辑：

为了避免提出新问题并且因为这与同一个问题有关，任何人都可以回答 Weka 中显示的加权平均值是什么？

我在下面包含了 Atilla 的示例：可以看出加权平均值不是平均值，例如 AVG(0.933,0.422) != 0.77 等。

有人可以回答这些值实际上是什么吗？

=== 按等级划分的详细准确度 ===

加权平均 0.77 0.416 0.766 0.77 0.749 0.429 0.844 0.847

有没有办法从 Opencv 中实现的 adaboost 算法中提取与弱学习器对应的特征？

我知道 adaboost 结合了一组基于一组输入特征的弱学习器。为训练集中的每个样本测量相同的特征。通常 adaboost 使用一个决策树桩，并为每个特征设置一个阈值，并选择具有最小误差的决策树桩。我想找出产生弱学习者的特征是什么。

谢谢。

我正在使用opencv通过网络摄像头进行面部检测项目
在这种检测图像中对象的方法（viola-jones）结合了四个关键概念：

1-称为 haar 特征的简单矩形特征（我可以在 haarcascade_frontalface_alt.xml 文件中找到这个特征）。

2- 用于强奸特征检测的整体图像。

3- AdaBoost 机器学习方法。

4-一个级联分类器有效地组合许多特征。

我的问题是：

-haarcascade_frontalface_alt.xml 是否包含具有 haar 功能的级联分类器？

-我如何在我的项目中添加积分图像和 AdaBoost 以及如何使用它？或者它已经自动完成了吗？

R 是否有包来提升不同的算法？例如随机森林和神经网络。据我了解，打包ada只能gbm提升决策树。

谢谢你。