我阅读了几篇关于这个主题的文章，包括https://habr.com/ru/post/133826/ 似乎我分别理解了这些阶段（例如 Haar 符号、积分映射、boosting 是什么），但不清楚分类器是如何训练的。例如，我们有 10,000 张带有我们需要的对象的图像（例如一张脸），以及另外 100,000 张不知道位于什么位置的图像（它们都已签名，例如有一张脸 - 没有脸） . 算法的意思，据我理解，就是通过多级剪枝，通过图像，只有图像中那些已经通过了所有层级的元素才被当作想要的对象，而绝对没有被截断的第一级（组成一个强的弱分类器）。我不明白如何训练这些弱分类器？为了让第一个弱分类器正常工作，应该给算法输入什么，接下来的呢？
RError.com
似懂非懂。假设我们有 160,000 个不同的 Haar 特征，用于 24 x 24 窗口。我们遍历所有图像（10,000 张面孔和 10,000 张非面孔）并寻找能够提供最佳结果的特征。之后，我们根据它确定的正确和错误的程度为其添加一个权重，那些它识别不正确的示例被定义为复杂的，我们为它们分配更多的权重以进行下一次迭代。结果是一个大分类器，一个小分类器，每个分类器都被赋予一定的权重（例如响应阈值）。据我了解，在 Viola-Jones 方法中，分类器是一个接一个地放置的，首先是那些对带有人脸的图像（概率为 0.99）以及它们可能在某处出现误报的概率反应非常好的分类器0.3, 为了首先消除那些绝对不是人的碎片。因此，准确度非常高。现在对我来说唯一的问题是我们如何定义权重。但这似乎取决于实施。好吧，事实证明，我们需要以这样一种方式选择分类器，即它们主要选择所有面（或所有面的 0.99 个），其余的不太重要。