我正在处理图像处理中的机器学习问题。我想通过使用方向梯度直方图（HOG）和支持向量机（SVM）来获取图像中对象的位置。我已经阅读了一些关于训练SVM的文章和教程。设置非常标准。我已经标记了正面训练图像，现在需要生成一组负面训练样本。
在文献中，经常发现通过随机选择位置来生成负面训练样本的方法。我还看到了一些方法，在连续步骤中选择随机阴性样本，检测的假阳性再次用作阴性训练样本。 但是，我想知道从一开始就不能使用这种方法。因此，人们只会随机生成一个假训练样本，运行检测并再次在假训练集中放入假阳性。这对我来说似乎是一个非常明显的策略，但我想知道我是否遗漏了一些东西。
答案 0 :(得分：3)
对我来说，听起来你想在线/逐步训练SVM分类器，即用新样本更新分类器。这些方法通常仅在新数据随时间推移时使用。在你的情况下，似乎你可以生成一整套负面训练样本，因此不需要逐步训练它。我倾向于说，在一次运行中训练分类器将比逐步进行训练更好（正如larsmans所暗示的那样）。
答案 1 :(得分：3)
这种方法背后的理论由P. Felzenszwalb，R。Girshick，D。McAllester，D。Ramanan在他们的PAMI论文中Object Detection with Discriminatively Trained Part Based Models阐述。本质上，您的起始负集并不重要，如果您迭代地添加硬样本（SVM边距> -1），您将始终收敛到相同的分类器。从单个负片开始只会使这种收敛变慢。
答案 2 :(得分：0)
（同样，我不是图像处理专家，所以请耐心等待。）
我想知道从一开始就不能使用这种方法。
您需要某种方法来检测分类运行中的误报。要做到这一点，你需要一个基本的事实，也就是说，你需要一个人在循环中。实际上，你正在做active learning。如果这就是你想做的事情，你也可以从一堆带有手工标签的反面例子开始。
或者，您可以将其设置为PU learning问题。我不知道这是否适用于图像，但对于文本分类，它有时会起作用。