在训练分类器时，为什么我们使用负片或背景图像？它们如何用于训练对象分类器？ 任何人都可以解释使用MATLAB等编程语言完成培训的一般程序吗？
答案 0 :(得分：5)
首先，我怀疑你会得到how to train a classifier in matlab的任何答案。这是一个非常模糊的问题。很大程度上取决于您的数据和目标，基本上有数十到数百种算法可以执行分类， 简单。
对于主要问题，为什么将负样本提供给分类器。它再次取决于您使用的分类器，但简而言之，有两种分类模型（还有更多，但总结一下）：generative models和discriminative models。
生成模型旨在模拟目标类的统计数据（外观或任何其他类型的特征）（例如，您正在尝试为汽车建模）。然后，生成模型将学习一种方法（来自仅正例的训练数据）以识别汽车。这是一个随机样本，它将告诉您汽车模型创建该样本的可能性。作为一个愚蠢的例子，对模型进行成像是单变量高斯模型，然后模型将告诉您从您学到的高斯分布中采样数据样本（点）的可能性。
当您没有负面的培训数据，或者您的数据可以通过简单分发建模时，生成模型很有用..但模型仅学习汽车如何，它没有学习汽车不的样子。
另一方面，判别模型学习更复杂（通常是健壮的）规则来区分目标类。拥有一组目标物体（例如汽车和背景，或汽车，自行车，房屋和天空），而不是学习汽车如何，算法会尝试学习如何汽车与背景不同。如果你的所有记忆只包含100张汽车照片，然后你会看到一辆摩托车的照片，那么你很难说摩托车不是一辆汽车（你有从未见过一个），两张图片都有背景和轮子。但是，如果您获得50张汽车图像，另外50张随机街道图片（包括自行车），您可以学习更强大的关系，以便在将来识别汽车。
答案 1 :(得分：0)
培训本身就是一个优化问题。该优化问题试图优化分类准确性。如果没有-ve样本，则不存在优化问题，边界可以设置为+， - 无限，将所有样本分类为正