Algorithm 向非技术人员解释AdaBoost算法

我一直在努力理解这个问题，但没有成功。我正在努力理解这个例子

---

你能用外行的术语解释AdaBoost并给出使用它的好例子吗？

AdaBoost使用大量训练样本图像（如人脸）来挑选一些好的“特征”/“分类器”。对于人脸识别，分类器通常只是一个矩形像素，具有一定的平均颜色值和相对大小。AdaBoost将研究许多分类器，并根据样本图像找出哪一个是人脸的最佳预测器。在选择了最佳分类器之后，它将继续寻找另一个分类器，直到达到某个阈值，这些分类器组合在一起将提供最终结果

您可能不想与非技术人员共享此部分：），但无论如何它都很有趣。有几种数学技巧可以使AdaBoost快速进行人脸识别，例如，能够将图像的所有颜色值相加并存储在二维数组中，这样，任何位置的值都将是该位置左侧和上方所有像素的总和。此数组可用于非常快速地计算图像中任何矩形的平均颜色值，方法是将左上角的值减去右下角的值，然后除以矩形中的像素数。使用此技巧，您可以快速扫描整个图像，查找匹配或接近特定颜色的不同相对大小的矩形

---

希望这能有所帮助。

Adaboost是一种算法，它将性能较差的分类器（也称为弱学习者）组合成一个性能更高的更大分类器

它是如何工作的？以非常简单的方式：

训练学习能力差的人

将其添加到迄今为止培训过的弱学习者中（具有最佳权重）

增加仍然未分类的样本的重要性

转到1

幕后有一个广泛而详细的理论，但直觉是：让每个“愚蠢”的分类器专注于前一个分类器无法修复的错误

AdaBoost是机器学习领域最常用的算法之一。特别是，当您知道如何创建简单的分类器（可能有许多不同的分类器，使用不同的功能），并且希望以最佳方式组合它们时，它非常有用

---

在Viola和Jones中，每种不同类型的弱学习者都与您可以拥有的4或5种不同的Haar特征中的一种相关联。

这是可以理解的。你可以在网上找到的大部分论文重述Viola Jones和Frund Suffar论文，这些论文是AdaBoost在OpenCV应用于人脸识别的基础。它们大多由几个数学领域的复杂公式和算法组成。 以下是可以帮助您的内容（足够简短）——

1—它主要用于对象检测，主要用于人脸检测识别。最流行的、相当好的C++库是英特尔最初的OpenCV。我以OpenCV中的人脸检测部分为例

2-首先，使用样本矩形（“特征”）的级联增强分类器在有人脸（称为正）和无人脸（负）的图像样本上进行训练

从谷歌的一些报纸上：

“·Boosting指的是一种通用且可证明有效的方法，通过结合粗略和适度不准确的经验规则，生成非常准确的分类器

·这是基于这样的观察：找到许多粗略的经验规则比找到一个单一的、高精度的分类器要容易得多

·首先，我们定义了一个寻找经验法则的算法，我们称之为弱学习者

---

·boosting算法反复调用这个弱学习者，每次在训练数据上为其提供不同的分布（在AdaBoost中）

·每次调用都会生成一个弱分类器，我们必须将所有这些组合成一个分类器，希望它比任何一个规则都更准确。”

在此过程中，扫描图像以确定与每个人脸的特定部分相对应的独特区域。应用了基于复杂计算假设的算法（一旦你理解了主要思想，就不难理解）

这可能需要一周的时间，输出是一个XML文件，其中包含如何快速检测人脸的学习信息，例如，在任何图片上的正面位置（在其他情况下，它可以是任何对象）

3-之后，您将此文件提供给OpenCV人脸检测程序，该程序运行速度非常快，阳性率高达99%（取决于条件）。 如前所述，使用“积分图像”技术可以大大提高扫描速度

最后，这些都是有用的来源——而且

---

从加利福尼亚大学，2008。

“Boosting算法反复调用这个弱学习者，每次给它在训练数据（AdaBoost）上分配一个不同的分布。”我可以使用不同的分类算法而不是不同的分布吗？我好奇1。培养一个学习能力差的人到底意味着什么？例如，如果我正在使用haar特征，什么构成训练？@dicroce，训练一个弱学习者意味着搜索分类规则（Viola-Jones论文中的haar特征），该规则在训练集中实现最小加权误差。也就是说：它正确地分类了大多数重要的示例（即权重较高的示例）。