问题记录：如何训练加入辅助判决函数的级联AdaBoost分类器

加入辅助判决函数时，训练策略
由bootstrap略作变动，将调整AdaBoost阈值变为调整辅助判决函数的阈值
训练过程中，会导致TP与FP均非常高的局面
比如1000正样本与1000负样本
训练过程中变为1000正样本与5负样本
此时训练，无论怎样训练，AdaBoost都认为样本为真
于是TP=1,FP=1
训练程序无法处理这种情况，将陷入死循环
这是因为加入辅助判决函数的目的是为了提高检测率(TP），只有当检测率较低时，才能起到作用
而此时检测率已经非常高了，辅助判决函数无法起到作用
此时亦无法通过调整阈值的方式调整FP

bootstrap有效的一个原因是：当分类器阈值调低时，能使得检测率上升
而加入辅助判决函数后，调整辅助判决函数的阈值，却无法坐倒这一点。

 

比较：
bootstrap训练级联分类器的实质是，在保证检测率的基础上，使误检率尽可能的低
通过增加弱分类器数目来保证误检率较低
通过降低阈值来保证检测率达到要求
而加入辅助判决函数后的目的为:在误检率满足要求的基础上，使检测率尽可能的高
降低辅助判决函数的阈值只能提高检测率，而不能降低误检率

问题：为社么增加弱分类器数量，而误检率仍然较高？为社么？
因为没有改变 AdaBoost 的阈值，一些被AdaBoost误判为真的样本 一直被判为真
因而无法在训练中降低误检率

因此，必须在训练中修改 AdaBoost 的阈值

问题：如何修改呢？
先调整AdaBoost的阈值，使误检率达到要求，然后再调整辅助判决函数的阈值，使检测率尽量达到要求
即首先升高AdaBoost的阈值，使误检率较低
然后再降低辅助判决函数的阈值，升高检测率

调整一次的整体效果仍然是使检测率满足要求

仍然无法使误检率达到要求？？？Why?