监督学习
目标检测中的监督学习方法，指的是在样本集合中通过对不同视角下的目标的训练过程，学习得到不同目标视角下从输入到输出的映射函数。它是一个分类问题，在目标检测中，学习样本由目标特征对河一个相关的目标类别组成。
特征选择是分类问题中的一个重要方面。特征可以是颜色、纹理、形状、轮廓等常用特征，也可以是目标区域、朝向、外观、概率密度、直方图等。
选择特定特征之后，采用合适的学习算法来训练分类器。如神经网络，Adaptive Boosting，决策树，支持向量机等。在多维空间中建立目标与非目标两个类别之间的超平面实现分类。
通过Cotraining方法可以较少训练分类器所需要的样本容量。核心思想是用两个分类器分别对两个样本集合进行训练，然后相互交换样本继续训练，实验证明这种方法能够取得较好的分类效果，减少了样本数据需求。
1 Adaptive Boosting 是通过一些低精度的分类器组合迭代调整权重以找到高精度分类器的一种方法。进一步的信息可以在http://www.boosting.org阅读。
2 支持向量机 是通过寻找最大边界超平面将数据在两个分类之间聚类的方法。超平面的边界由超平面和最近的数据点的距离定义。
NEXT STEP
进阶阅读：Adaptive Boosting，SVM，Cotraining，监督学习的含义
下一Topic：目标跟踪算法
