在训练分类器时，我们为什么要使用负面或背景图像？它们如何用于训练对象分类器？ 谁能解释一下如何使用任何编程语言（如 MATLAB）进行训练的一般过程？
【问题讨论】：
标签： machine-learning computer-vision training-data haar-classifier adaboost
训练本身就是一个优化问题。这个优化问题试图优化分类精度。如果没有 -ve 个样本，就不存在优化问题，边界可以设置为 +,- 无穷大，将所有样本分类为正
【讨论】：
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您的目标，并且基本上有数十到数百种算法可以执行分类，这并不那么简单。
对于主要问题，为什么将负样本提供给分类器。这在很大程度上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，但要总结一下）：generative models 和discriminative models。
生成模型旨在对目标类（例如，您正在尝试为汽车建模）的统计数据（外观或任何其他类型的特征）建模。然后，生成模型将学习一种方法（从仅正例的训练数据）来识别汽车。也就是说，给定一个随机样本，它会告诉您该样本由您的汽车模型创建的可能性。举个愚蠢的例子，你的模型是一个单变量高斯分布，然后模型会告诉你从你学到的高斯分布中采样数据样本（点）的可能性。
当您没有负训练数据，或者您的数据可以通过简单分布建模时，生成模型非常有用。但模型仅学习汽车长什么样子，它不知道汽车不长什么样子。
另一方面，判别模型学习更复杂（通常是稳健的）规则来区分目标类别。拥有一组目标对象（例如汽车和背景，或汽车、自行车、房屋和天空），而不是学习汽车看起来如何，算法尝试学习汽车的外观如何汽车与背景不同。
如果你所有的记忆中只包含 100 张汽车的照片，然后给你一张摩托车的照片，你很难说摩托车不是汽车（你有以前从未见过），两张照片都有背景和轮子。但是，如果给您 50 张汽车图像和另外 50 张随机街道图片（包括例如自行车），您可以学习更强的关系，以便将来尝试识别汽车。
【讨论】：