为何在 HOG 特征上训练的线性 SVM 表现如此出色？
计算机视觉与模式识别
2014-06-11 v1 机器学习
摘要
在 HOG 特征上训练的线性支持向量机（Support Vector Machines, SVM）现已成为许多视觉感知任务的事实标准。其普及主要归功于其为行人检测带来的性能飞跃，以及随后在可变形部件模型中的成功。本文探讨了使 HOG-SVM 共生关系表现如此出色的相互作用。通过将特征提取和学习过程联系起来，而不是将它们视为不同的插件，我们表明 HOG 特征可被视为起到两个作用：(i) 诱导容量，以及 (ii) 为在像素上训练的线性 SVM 添加先验。从这个角度来看，保持二阶统计量和相互作用的局部性是良好性能的关键。我们通过仅假设保持此类局部二阶相互作用的重要性，在表情识别和行人检测任务中展示了惊人的准确性。
引用
@article{arxiv.1406.2419,
title = {Why do linear SVMs trained on HOG features perform so well?},
author = {Hilton Bristow and Simon Lucey},
journal= {arXiv preprint arXiv:1406.2419},
year = {2014}
}