使用 gist 和 SVM 训练的图像分类

Question

首先我想说我是 CV 的新手，可能有一些明显的事情我没有想到，所以请不要犹豫提及该类别的任何内容。

为了简单起见，我正在尝试实现场景分类，目前在室内和室外图像之间。

我的想法是使用一个 gist 描述符，它创建一个具有场景某些参数的向量。

为了获得可靠的分类，我使用了室内和室外图像，每个样本 100 个样本，使用了一个 gist 描述符，从中创建了一个训练矩阵，并在其上使用了“svmtrain”。这是一个非常简单的代码，显示了我是如何训练 gist 向量的：

train_label= zeros(size(200,1),1);
train_label(1:100,1) = 0;         % 0 = indoor
train_label(101:200,1) = 1;        % 1 = outdoor

training_mat(1:100,:) = gist_indoor1;
training_mat(101:200,:) = gist_outdoor1;
test_mat = gist_test;

SVMStruct = svmtrain(training_mat ,train_label, 'kernel_function', 'rbf', 'rbf_sigma', 0.6);
Group       = svmclassify(SVMStruct, test_mat);

问题是结果很糟糕。

我读到优化 'rbf' kernell 的约束和 gamma 参数应该可以改进分类，但是：

1. 我不确定如何使用多维数据向量进行优化（the optimization example given in Mathworks site 是 2D 而我的是 512），有什么建议如何开始吗？

2. 我可能完全走错了方向，如果是，请指出。

编辑： 感谢黑暗荒原！我将尝试使用此工具箱进行校准，并可能尝试改进我的特征提取。 希望当我有一个工作分类时，我会在这里发布。

编辑2：忘记更新了，通过从SUN数据库中获取室内和城市室外图像的gist描述符，并使用libsvm工具箱优化参数进行训练，我设法达到了分类率在我的公寓和外面街道上的图片上测试模型时，达到 95%。

我对数据库中的城市户外场景和自然场景做了同样的事情，在我国家的各种场景上测试时也达到了相似的准确度。

我用来创建数据矩阵的代码取自here，做了非常小的修改：

% GIST Parameters:
clear param
param.imageSize = [256 256]; % set a normalized image size
param.orientationsPerScale = [8 8 8 8]; % number of orientations per scale (from HF to LF)
param.numberBlocks = 4;
param.fc_prefilt = 4;

%Obtain images from folders
sdirectory = 'C:\Documents and Settings\yotam\My Documents\Scene_Recognition\test_set\indoor&outdoor_test';
jpegfiles = dir([sdirectory '/*.jpg']);

% Pre-allocate gist:
Nfeatures = sum(param.orientationsPerScale)*param.numberBlocks^2;
gist = zeros([length(jpegfiles) Nfeatures]); 

% Load first image and compute gist:
filename = [sdirectory '/' jpegfiles(1).name];
img = imresize(imread(filename),param.imageSize);
[gist(1, :), param] = LMgist(img, '', param); % first call
% Loop:
for i = 2:length(jpegfiles)
   filename = [sdirectory '/' jpegfiles(i).name];
   img = imresize(imread(filename),param.imageSize);
   gist(i, :) = LMgist(img, '', param); % the next calls will be faster
end

Answer 1

1. 建议你使用libsvm，效率很高。 libsvm 的cross validation 有相关帖子。您提到的相关 Matlab 库可以使用相同的逻辑。

2. 你的逻辑是正确的。提取特征并尝试对它们进行分类。无论如何，不​​要期望分类器的校准会返回巨大的差异。关键思想是针对结果中的巨大差异进行特征提取，当然还要结合分类器校准；）。

祝你好运。