SVM 训练以推断视频中相对于其他两个点的点位置

Question

我想用 opencv c++ 训练一个 SVM，以便推断图像中一个点相对于所需点相关的另外两个点的位置。

基本上我有整个视频中三个点的轨迹，我想将这些轨迹用作 SVM 的训练数据。

我是机器学习技术的新手，经过一些阅读后，我想我已经理解 SVM 将返回一个布尔结果（如果同时满足某些条件，则为 true，否则为 false）。就我而言，我需要图像中的位置作为结果。

我不确定我应该如何组织训练集，我正在考虑做这样的事情：

T1 T2 T3 标签=1

其中 T1 T2 和 T3 包含属于我认为正确的三个轨迹的所有点；

T1 T2 T4 标签=-1

其中 T1 和 T2 与之前相同，而 T4 包含不在轨迹 T3 上的随机点。

一旦我用来自不同视频的不同轨迹训练了 SVM，我想通过三个点：P1(x,y) 和 P2(x,y) 对应于时间 t 的 T1 和 T2 以及一个随机点 P( x,y)，SVM 应该预测随机点是否在想要的位置。

如果这种方法是错误的，任何人都可以解释我，为什么？

谢谢

Answer 1

这种方法是错误的，主要是因为你的问题不是二元分类问题。这是一个回归问题。您想要的输出是值，而不是二进制数，因此训练 SVM 或任何其他二进制分类器是个坏主意。分类问题是搜索从您的输入数据到一些有限（和小）的可能标签集（如“真”和“假”，或“猫”、“狗”或“脸”）的映射。另一方面，回归是寻求从您的输入数据到（可能是多维的）实值空间的映射，因此您正在寻找实际的值，而不是标签。在你的情况下 - 你寻找坐标，这是（我想）两个实数。如果您将问题建模为二元分类，那么：

• 没有明智的方法来创建训练集（您只有“正面”示例，您可以通过获取不正确的点来生成“负面”示例，但大多数是，训练一类 SVM 会更好，但如前所述 - 它根本不是分类问题）
• 实际测试会非常复杂，因为您必须针对每一点询问“答案是否正确？”

相反，您应该使用表单数据训练任何回归模型

(point_1, point_2) -> point_3

所以模型可以找到一个函数，将你的两个输入点映射到一个输出点。这个任务有很多可能的模型：

• 线性回归
• 神经网络
• SVR（支持向量回归）

简而言之：

• 您的输出是一个标签，来自有限集的离散值 -> 分类器
• 您的输出是一个连续值 -> 回归模型

如果你还是不明白，我推荐一个来自斯坦福大学的好视频： http://www.youtube.com/watch?v=5RLRKkzYWuQ