读Robust Object Detection Via Soft Cascade 小结

• 看到文章是将softcascade的，因此大致读了一下，文章开始讲到以前的cascade（是不是就是opencv以前的traincascade方法？）方法的缺点，主要由以下几点：
•   本阶的判断至于本阶的特征得分门限值有关，与之前的阶数无关，这样的检测器是脆弱的，而且浪费了之前判断计算出来的特征得分；
• 最终检测器的检测率是每一阶分类器检测率的乘积，如果最后要达到90%的检测率以及10的-6次方的误检率，那么如果分类器有十阶，则每一阶需要保留99%的正样本，而且消除25%的负样本，这对于一开始的几阶可能容易达到，但是对于后面的阶数很难，而且会很耗时；
• 训练参数的设置必须通过不断地训练来寻求最好的训练参数，但是每次训练都很耗时（我个人觉得这一点是因为文章之后提出了ROC曲面来解决问题，但是如果不用这个曲面的话，softcascade也需要通过多次实验来找参数）
• 对于参数的选择没有一个明确的方法？关于阶数，顺序，目标检测率，误检率等，这些都会影响检测速率，在保证检测率的前提下，没有方法来设置这些参数来达到最佳的检测速率（这一点貌似也是因为文章后来提到了ROC surface解决，所以才说这是之前cascade的缺点）
• 为了减小误检率，必须通过增加新的阶数来达到，但是这样的话不可避免的会降低检测率；
• 传统的cascade方法在正样本变化比较大的时候不适合（意思是类内间距太大的时候不适合？）

•   Within this context, the conventional cascade structure requires finding the smallest t and threshold rt such that the fraction of faces with trace values greater than rt is greater than the target detection rate and the fraction of non-faces with trace values greater than rt is less than the target false positive rate. New weak learners are trained until such conditions are met. The cumulative sum for a given instance is only computed to determine if it exceeds rt and is thereafter discarded.

传统的分类器为了达到两个指数（正确率和误检率）需要不断训练新的阶。

• figure3是softcascade的样本判定过程。

• 下面表示softcascade判定样本是否为正样本的伪码：

bool sampleIsFace(x)
d ← 0
for t = 1. . . T
d ← d + ct(x)
if d < rt return false
return true

从这个过程可以看出，他与之前的adaboost区别就是样本的得分是累加的，这一阶的判定结果不仅仅跟这一阶的得分有关。

• 提到了每一阶训练的时候加入分错的负样本，而且加入的负样本数每一阶都有所调整。这个地方一直不大明白，看程序也没看到哪个地方加负样本了。
• 文中还提到开始训练的时候，不需要从所有的特征中找一个错误率最小的，只需要从一部分特征中找就行，而且事实证明这样找到的特征很接近所有特征中找出来的那个。。。。这一点不知道对不对。。