SVM 分类器和测试图像答案

【问题标题】：SVM classifier and test imagesSVM 分类器和测试图像
【发布时间】：2017-07-10 07:30:33
【问题描述】：

我在训练集中有 5 个类，每个类有 100 个训练图像。我在测试文件夹中创建了 5 个类。现在，每个测试图像都将与训练类进行比较，并根据它与其中一个训练类的接近程度，将其标记为相应的测试类。我想知道我在 SVM 分类器中的步骤是否正确？

【问题讨论】：

更精确。我不明白这个问题。也许你在问如何使用 SVM 进行多类学习，但也许不是。如果是这样，请查看多类学习中的 OneVsRest 和 OneVsOne 术语。
从 opencv 的 SVM 示例开始，用你的替换它们的数据。看看你得到了什么结果并从那里继续 (docs.opencv.org/2.4/doc/tutorials/ml/non_linear_svms/…)

标签： image-processing computer-vision svm encode

【解决方案1】：

所以基本上你有以下结构：

火车

|-- class1
|   |-- 1.pgm
|   |-- ...
|   |-- 100.pgm
|-- class2
|   |-- 1.pgm
|   |-- ...
|   |-- 100.pgm
...
|-- class5
|   |-- 1.pgm
|   |-- ...
|   |-- 100.pgm

测试

|-- class1
|   |-- 1.pgm
|   |-- ...
|   |-- n.pgm

|-- class5
|   |-- 1.pgm
|   |-- ...
|   |-- n.pgm

下一步是从火车图像中提取描述符。使用提取的特征，您可以生成（训练）一个分类模型。最后，使用相同的编码方法从测试图像中提取特征，然后使用训练好的模型进行预测。

【讨论】：

谢谢 Liviu Stefan。那么我是否需要首先将所有测试数据手动分类到不同的类中，比如在训练数据集中？并且每个测试类是否应该有相同数量的图像，并且该数量可以与训练类中的图像数量不同？那么SVM分类器的作用是什么？
不，您不必手动对所有测试数据进行分类以引入不同的类。测试类也可以有任意数量的图像。您可以使用 SVM 根据训练图像训练分类模型，您将使用该模型对测试图像进行预测。
我正在总结我的工作。请评论。我有 5 个标签为“聊天”、“自行车”、“夜晚”、“吃”、“办公室”的课程。每个类有 100 张图像。我有一个包含 100 张随机图像的文件夹“test_data”。我有一个 vocab.mat、train_features(train_bag_of_sift.mat) 和 test_features(test_bag_of_sift.mat)。训练数据由 svmtrain 函数训练。 "scores = [scores ; (W' * test_image_feats' + B) ]" 给出分数，对应的索引类别(index(max_score)) 是预测的类别。为了找到准确度，这将与真实值进行比较。