Ensemble of Exemplar-SVMs for Object Detection and Beyond（2011）学习笔记

这篇文章提出一种思想：不将同一大类物体放在一起训练，而将视觉上类似的一个（类）物体作为exemplar（范式）正样本分别训练成若干SVM，使用多个被校准的SVM进行物体的检测。

每个exemplar E使用HOG描述，记为x_E：8个pixel对应1个cell，共100cell；负样本NE维数相同。每个Exemplar-SVM (wE; bE)用以区分x_E和NE。

由于exemplar-SVM是分别单独训练的，校准（calibration）对于同一类的不同exemplar-SVM是重要的。Therefore, we let each exemplar select its ownpositives and then use the SVM output scores on these positives, in addition tolots of held-out negatives, to calibrate the Exemplar-SVM. 在验证数据集中，对于不同exemplar-SVM检测结果与真值比较。检测结果与真值重合达50%以上为positive，小于20%为negative。校准过程实际是决策边界的调整，表现差的exemplar被抑制，决策线向exemplar移动；反之亦然。校准使得性能得到了提升。