13、两类识别问题融合方法与AdaBoost人脸检测特征选择

两类识别问题融合方法与AdaBoost人脸检测特征选择

1. 两类识别问题融合方法

在两类识别问题中，存在一种情况，即指向正确类别的支持函数之和大于误分类类别的支持函数之和。创建权重依赖于分类器、类别数量和向量值的融合器，也能得到相同的结果，因为这是上述模型的特殊情况。

不过，相关定理只是表明了获得良好结果的可能性，所以需要寻找融合器的训练方法。集成学习任务会引出如何建立向量 (W) 的问题。向量 (W) 由分配给每个分类器（记为 (l)）和每个类别编号（记为 (i)）的权重组成，即 (W = [w(1), w(2), \cdots, w(n)])，其中 (W(l) = [w(l,i), w(l,i), \cdots, w(l,i)]^T)。

可以将其表述为一个优化问题，权重的设定应使融合器的准确率概率最大化，即 (\varPhi(W) = 1 - P_e(W))，其中 (P_e(W)) 是误分类频率。

1.1 实验部分

• 实验目的 ：验证之前提到的定理 1 和定理 2。
• 融合器类型 ：
• 权重依赖于分类器的融合器（FC）。
• 权重依赖于分类器和类别数量的融合器（FCCN）。

1.2 实验设置

• 数据库 ：使用了从 PRTools 生成的三个数据库，分别是 “Highleyman”、”Banana” 和 “Difficult”，每个数据库包含 300 个示例，由两个属性和两个类