机器学习——支持向量机特征融合技术答案

【问题标题】：machine learning - svm feature fusion techique机器学习——支持向量机特征融合技术
【发布时间】：2011-05-17 07:55:39
【问题描述】：

在我的期末论文中，我试图通过结合颜色和深度信息来构建一个 3D 人脸识别系统。我做的第一步是使用迭代最近点算法将数据头重新对齐到给定的模型头。对于检测步骤，我正在考虑使用 libsvm。但我不明白如何将深度和颜色信息组合到一个特征向量中？它们是相关信息（每个点都由颜色（RGB）、深度信息和扫描质量组成）。你建议做什么？像加权之类的？

编辑：昨晚我读了一篇关于 SURF/SIFT 功能的文章，我想使用它们！它可以工作吗？概念如下：从彩色图像和深度图像（范围图像）中提取这些特征，将每个特征用作 svm 的单个特征向量？

【问题讨论】：

就像史蒂夫说的，连接两个向量。然后我会执行 PCA。
昨晚我读了一篇关于 SURF/SIFT 功能的文章。我想使用它们！它可以工作吗？概念如下： - 从彩色图像和深度图像（范围图像）中提取此特征

标签： machine-learning 3d svm libsvm

【解决方案1】：

这听起来很简单，但您可以简单地将两个向量连接成一个。许多研究人员都这样做。

【讨论】：

【解决方案2】：

串联确实是一种可能性。但是，当您从事 3D 人脸识别时，您应该有一些策略来处理它。使用“直截了当”的方法将难以识别面部的旋转和平移。

您应该决定是尝试对人脸进行整体检测，还是对子特征进行检测。您可以尝试通过查找一些核心特征（眼睛、鼻子等）来检测旋转。

另外，请记住，SVM 本质上是二进制的（即它们在两个类之间分开）。根据您的具体应用，您很可能必须采用一些多类策略（一对多或一对多）。

我建议做一些文献研究，看看其他人是如何解决这个问题的（谷歌搜索将是一个好的开始）。

【讨论】：

【解决方案3】：

您得出的是一个重要的未解决问题。是的，有一些方法可以处理它，正如 Eamorr 在这里提到的。例如，您可以连接并执行 PCA（或某些 non linear dimensionality reduction 方法）。但考虑到 PCA 在特征数量上花费 O(n^3) 时间，很难捍卫这样做的实用性。对于可能具有数千个特征的视觉数据而言，仅此一项可能是不合理的。

【讨论】：

【解决方案4】：

正如其他人所提到的，最简单的方法是将两组功能简单地组合成一个。

SVM 的特征在于最大边距超平面的法线，其中它的组件指定了特征的权重/重要性，因此更高的绝对值对决策函数的影响更大。因此，SVM 单独为每个特征分配权重。

为了使其工作，显然您必须将所有属性归一化以具有相同的比例（例如将所有特征转换为 [-1,1] 或 [0,1] 范围内）

【讨论】：