Algorithm adaboost比gentleboost具有特定于应用程序的优势，反之亦然？

我一直在研究AdaBoost和GentleBoost分类器，但似乎找不到问题的明确答案：

• 在计算机视觉中，Adaboost在分类方面做得更好的是什么
• 什么是GentleBoost更擅长分类

---

有人告诉我AdaBoost适用于边缘较软的物体，如面部识别，而GentleBoost适用于特征和边缘较硬且较对称的物体，如车辆。这是真的吗？有什么证据支持这个说法吗？

根据我的记忆，GentleBoost是AdaBoost分类器的一个变体

例如，Adaboost很可能能够检测到有硬物的东西，就像你提到的GentleBoost一样，我也对罐头和香蕉等东西进行了Adaboost测试，这也很有效

虽然我以前从未使用过GentleBoost，或者更确切地说是尝试过，但据论文称，计算具有小特征的物体或你称之为硬物体（如香蕉、罐头等）的计算速度可能要快得多

你可以在这里读到更多关于这一点的信息：，Gentleboost虽然只是这个wiki中的一小部分，但它应该或多或少能够澄清这一点

从数学上讲，主要的关键区别在于所使用的损失函数

对于GentleBoost，更新为fm（x）=p（y=1 | x）–p（y=0 | x）

对于AdaBoost，更新为：

如果我没有错的话，GentleBoost除了比AdaBoost更快（从数学角度来看，更快是一个假设）之外，还应该对嘈杂的数据不那么敏感，但是就准确性而言，我从来没有使用过它，所以我不能确定

---

希望这对您有所帮助（：

我使用了的OpenCVs版本。它还提供了离散AdaBoost、Real AdaBoost和LogitBoost作为附加选项。它是一个高效而强大的工具。当在应用程序中实现时，它对实时应用程序非常有用

• 在计算机视觉中，Adaboost在分类方面做得更好的是什么

boosting与其他方法（如SVM）相比的绝对优势在于，它还可以选择最佳的特征来使用。例如，使用boosting从160000个Haar特征中选择200个特征。这使得boosting可以非常快速地进行训练并在实践中使用

• 什么是GentleBoost更擅长分类

根据，GentleBoost与Logit Boost相关。但是，在有噪声的特征和异常值的情况下，它的性能远远优于Logit和Real Boost

从我对GentleBoost有限的经验来看，异常值和错误标记的样本仍然是一个问题