Machine learning 分类与检测的区别

我正在为我的硕士论文阅读以下文章： 在第2.1节中，它说：“我们将区分性聚类的分类步骤转化为检测步骤”。分类和检测之间的区别是什么？最初，我认为这意味着使用“classificator”将定义一个更多类的分类器（然后存在一个分类器，用于所有类，输入=图像补丁，输出=类），使用“detector”仅定义一个类的分类器（然后对于每个类，存在一个不同的检测器，输入=图像补丁，输出=是/否）。但在这句话之前，他说“数据的初始聚类之后是为每个簇（类）学习一个描述性分类器”，然后，对于分类器，它意味着“每个簇（类）都存在一个分类器”。那么..区分分类器和检测会说什么呢？

---

感谢

分类是将物品放入不同箱子的过程

检测：检测是一个实际发现项目特征的过程

示例：如果我要求您检测进入房间的人，您可能有一个程序来执行此操作，即检测。如果我让你把他们分为25岁以下和25岁以上的两组，你必须这样做，但这里大多数人都感到困惑，他们也必须进行检测。他们可能会得到关于年龄组的信息，如随年龄进入的人的列表，你可以查看这些信息并对他们进行分类，或者你可以使用简单的检测方法，询问他们的年龄，然后对他们进行分类

在图像处理中，大多数情况下，你会看到检测是基于观察对象及其特征并检测出这些特征，例如检测边缘和检测平均颜色。这不会对它们进行分类，但是您可以在其顶部进行分类，例如将图像分类为黑白和彩色图片（2个箱子），或者使用边缘对图像部分进行分类

只是重申一下，换句话说，探测器会一直工作到被探测到为止，除此之外就什么都没有了。如何使用该检测取决于您。有很多算法可以单独帮助检测，如果你想分类，可以使用神经网络或简单的手动分类

当你开车时，你正在观察并检测是否存在危险。它可以是人类，但如果我让你注意一个平均身高的男孩，那么你的大脑会启动一个简单的分类算法，将人们分为男性和女性，然后拒绝女性，对男性应用平均身高分类器，如果它找到合适的，那么它会触发欢呼

据我所知，本文将一对多支持向量机应用于多分类。对于每个簇，线性支持向量机进行训练，以确保簇内的补丁真正属于此类（1属于，0不属于）。在训练模型的基础上，进行再聚类。这部分是分类器

论文中探测器的命名只是将样本从一个相对较小的集合（发现）扩展到一个包含所有可能的图像和补丁（自然）的庞大集合。从算法I的草图中可以看出，对于每个聚类，SVM训练集还包括来自自然数据集的样本，以便更好地区分当前聚类中的补丁和来自所有其他源（其他聚类和自然集）的补丁。请注意，尽管训练样本已扩展，但用于聚类的样本不会更改。训练集的扩展只是为进一步聚类提供了更精确的相似性度量

函数名*detect_top*可能会与检测器有点混淆，但根据上一步训练的分类器，它只是调整聚类的一步，方法是从看起来更像属于当前聚类的其他聚类中选择补丁。在第二个循环中，这种经过训练的分类器包含来自自然数据集的信息

---

分类器以聚类（D）为目标，而检测器适用于整个数据集（D+N）。

基于视觉的目标检测算法通常包括一个图像特征检测器，该检测器提供局部图像内容的数字描述，以及一个对该局部图像内容进行分类的模式识别器，例如，作为汽车或背景。而图像分类任务的目标是从一组固定的类别中为输入图像指定一个标签。

谢谢！你注意到算法是错误的吗？detect_top是在C[i]而不是C_new[i]上完成的，对吗？是的，这部分对我来说很奇怪，但您可能会将其视为延迟。在步骤i+1中，使用了C[i+1]，这与C_new[i]相同。我不认为……在第一次迭代中不应该初始化C（1），因为C（1）