我正在按照Viola-Jones论文的描述实施AdaBoost，以实现自己的启发。在单元测试过程中我发现了一些奇怪的行为。这可能只是算法在固定数据上奇怪地行动，或者我可能遗漏了一些东西。我想知道它是哪种情况。
首先，我有：
2 instances of A type faces
1 instance of a B type face
3 instances of noise
--------------------
6 total instances
因此每张图片的初始权重为1/6。
分类器选择的第一个特征识别A类型面，但不识别B类型面，而不识别任何噪声。因此，它在1/6中有一个错误（以及提升的分类器中的相关权重）。
接下来更新权重（首先将正确分类的图像乘以(error / 1 - error)) == 0.2得出：
A type face weight: 1/30
B type face weight: 1/6
noise image weight: 1/6
然后将权重归一化（总和为1）：
A type face weight: 1/22
B type face weight: 5/22
noise image weight: 5/22
第二个功能正确选择B型图像，但不能选择噪点或A型图像。因此，它的错误为1/11（2/22），明显低于1/6。
由于Viola-Jones提出的“默认”阈值（这是在我们在论文的后半部分进行级联和调整阈值之前）是权重的一半，并且只有两个权重，第二个特征的权重因为它的误差较小（因为误差较小），所以得到的增强分类器只能正确分类B类面。
直观地说，我期望强分类器由检测A面的弱分类器和检测B面以检测A面和B面的弱分类器组成。
我甚至愿意接受我只会得到两个中的一个，因为AdaBoost是一种多数投票算法，并且可能只有2个选民表现得很奇怪，但我希望如果它只能正确分类一个然后它会正确地对A面进行分类，因为它们有更多。
换句话说，我认为加入强分类器的每个弱分类器都会逐渐降低权重。
我是否错过了一个步骤，或者对于过于简单的数据这是一种奇怪的行为？
答案 0 :(得分：1)
计算中存在错误。使用第一个特征时，误差为1/6，因为只有B面被错误分类。在这种情况下，噪声和A面被正确分类。因此，当您根据w（i）= w（i）* beta ^（1-e（i））更新权重时，仅针对B面e（i）等于1.对于A面和噪声e（i ）= 0.因此，噪声和A面的权重将被更新：
A type face weight: 1/30
B type face weight: 1/6
noise image weight: 1/30
规范化后：
A type face weight: 1/10
B type face weight: 1/2
noise image weight: 1/10
现在，当您使用第二个功能时，错误是1/5。