我听说过Haar-like特征被描述为弱描述符，而在这种情况下，Adaboost方法比SVM更有优势是因为这一点。我的问题是，什么是弱描述符和强描述符，为什么提升方法（例如）比SVM表现得更好？
回答：
弱描述符是指那些不够精细或调整的特征（例如：Haar特征、边缘图等）。强描述符（如SIFT/SURF/MSER）则是指那些精确的、在模糊、视角/照明变化、JPEG压缩下具有高重复性的特征。对于弱描述符，提升方法的表现会更好，而SVM则适合强描述符。这是因为提升的理念是结合大量的弱分类器来学习一个分类器。在Haar-like特征的情况下，Adaboost结合了许多这样的弱特征来学习一个强分类器。SVM试图在两个类别之间最容易混淆的特征之间拟合一个超平面，因此SVM要表现得更好，类别之间的混淆应该较少，特征应该robust且准确。
