SVM 预测单元格中的数据而不是预期矩阵

Question

对于我的 svm 训练和预测，我使用的是 vl_svmtrain，其文档可以在这里找到：http://www.vlfeat.org/matlab/vl_svmtrain.html

[WB] = VL_SVMTRAIN(X, Y, LAMBDA) 训练一个线性支持向量 来自数据向量 X 和标签 Y 的机器 (SVM)。X 是 D 乘 N 矩阵，每个示例一列，D 个特征维度（SINGLE 或双）。 Y 是具有 N 个元素的 DOUBLE 向量，其中包含二进制（-1 或 +1) 每个训练点的标签。

根据文档，数据 X 必须位于 D × N 矩阵中，每列一个样本。

问题是我的数据根本不是这样排列的，即使我想我也不认为我可以这样排列。我的每个图像都由大小为512 * 257 的特征矩阵表示，这些都存储在一个单元格中。同样，每个测试图像的大小也相同。

因此，为了简化起见，我假设我只有 3 个类，每个类都由大小为 512 * 257 的模型表示，并且我必须对每个模型进行数千次测试，更像是一个与全部方法。但这是我遇到困难的数据安排。

是否可以将数据以单元格格式而不是矩阵格式呈现给 SVM？

更新：

我提到的单元阵列由 28 个模型组成。所以我一共有28个类，每个类都用一个大小为512 * 257的数组表示。写models(1) 表示ans = [512x257 double]，写models{1} 生成512*257 双矩阵。

这就是我用来训练 SVM 的方法，类似地，每个测试也具有相同的大小和相同的排列。

我如何得到每个模型的这个矩阵？我从每个类/模型的 100 个图像中提取了 RootSIFT 特征。然后我将这些特征呈现给一个高斯混合模型脚本，并将集群的数量设置为 512。这给了我 512 个集群的均值、协方差和权重。然后我使用models{i} = [gmm_models{i}.w(:) gmm_models{i}.mu' gmm_models{i}.sigma']; 连接它们

测试方面，从 5 张图像中提取 RootSIFT 特征，然后对它们进行与模型相同的处理，得到相同大小的级联矩阵。所以自然而然地，每个模型都有数百个测试矩阵。

我希望这比以前更清楚了。

Answer 1

除了它所说的D x N 矩阵之外，没有其他方法可以将数据表示为vl_svmtrain 方法。但是，您可以做的是展开元胞数组并转换每个特征矩阵，使其成为列向量。然后，您将构建矩阵，使每个列向量代表一个特征矩阵，并将这些列向量横向连接以生成最终的 D x N 矩阵。

因此，您可以进行一些预处理以获得所需的矩阵X。首先，展开您的元胞数组，使其成为一个 3D 矩阵，其中每个切片都是一个特征矩阵。然后，重塑此矩阵，使每个切片成为最终二维矩阵的单列。因此，请执行以下操作，假设您的元胞数组存储在A：

X_3D = cat(3, A{:});
X = reshape(X_3D, size(X_3D,1)*size(X_3D,2), []);

X 将包含我们讨论过的最终二维矩阵。请记住，每个特征矩阵都会以列为基础展开。这意味着对于您拥有的每个特征矩阵，这些列相互堆叠以创建一个用于输出 2D 矩阵的列。您现在可以使用X 作为vl_svmtrain 的输入。

但是，我要给你一个公平的警告，因为从技术上讲，每一列都是512 x 257 = 131584 元素。如果您有 1000 个特征矩阵，由于内存要求，此矩阵可能无法用于 vl_svmtrain。因此，您可能必须对特征矩阵进行二次采样，或者使用较少数量的特征矩阵作为输入。

祝你好运！