SVM 可以预测看不见的表达吗答案

【问题标题】：Can SVM predict unseen expressionSVM 可以预测看不见的表达吗
【发布时间】：2014-12-09 01:17:47
【问题描述】：

我对支持向量机 (SVM) 感到困惑。

我正在使用 OpenCV 库中的 SVM 实现面部表情识别。我有一个分类器，它从不同人的七种基本人类表达（中性、快乐、悲伤、惊讶、愤怒、恐惧和厌恶）的集合中训练出来。假设有一个新人进来，SVM 试图预测这个人。它会正确猜测（或至少以较低的识别率识别它）吗？

我尝试这样做并使用交叉验证（我将训练集和测试集分开）进行检查，经过多次迭代后，识别率平均约为 50%。但是，如果我测试它已经在训练集中学习的面部图像，识别率会提高到 90%。

This paper 也做面部表情识别说：

我们的方法基于机器学习系统支持向量机 (SVM)。面部特征跟踪器从特征运动中收集一组位移视频流。这些随后用于训练 SVM 识别以前看不见的表达
的分类器

所以我的主要问题是，

这是否意味着 SVM 无法正确预测看不见的样本（模仿上述表达方式之一的新人）？

希望有人可以提供帮助，我希望我足够清楚

P.S 我所说的看不见的表情是指一个新人（SVM 以前从未见过），但这个人模仿了我上面提到的一种表情。不是其他表达方式。

【问题讨论】：

你想要的是generalization。泛化的质量取决于您为训练选择的样本和特征。通常，您只使用 x% 的训练样本进行训练，其余的用于测试泛化。测试您的（用于训练）训练集没有多大意义。因此，通常您会随机拆分训练集并进行训练。如果泛化不够好，重置并选择不同的随机选择的样本进行训练。如果您没有得到好的结果，请获取更多样本或选择不同的特征。

标签： c++ opencv machine-learning svm

【解决方案1】：

“previously unseen expressions”指的是未见过的样本，模型可以是支持向量机、决策树或其他分类模型。

我认为看不见的面部图像精度下降的原因与您选择的特征有关，这可能与特定的人高度相关。特征选择方法会有所帮助，模型中的 L1 正则化（L1-SVM）可能会有所帮助。

【讨论】：

嗯.. 我使用 LBP 来获取特征向量。我可能需要改变它。谢谢，这真的很有帮助。

【解决方案2】：

当然，SVM 可以正确预测看不见的表达式——这就是“泛化”的真正含义。但是，它无法预测除您在训练集中收集的人类表情之外的其他人类表情（这不是问题）。

而且，自然地，预测看不见的面孔比预测模型训练过的数据更难。所以，不用担心，只需像以前一样使用您的机器。另一方面，如果你想减少泛化误差，你可以尝试使用其他特性。

【讨论】：

我知道如果一个人模仿其他表达方式是行不通的。我觉得对于预测看不见的面孔，50% 太低了。这会因为我的样本量小而发生吗？到目前为止，我有 25 个样本（25 人）。
@AdhiputraPerkasa: 25 看起来确实有点小，因为你有 7 个类，因此每个表达式几乎只有 3 个样本（然而，这里的小/大还取决于 OpenCV 使用了多少特征，我不知道）。您能否更详细地说明您的设置？在 25 个样本中，您使用多少用于训练，多少用于泛化？ 50% 这个数字是怎么来的？
我训练了 25 个人，所有人都模仿了所有 7 种表达方式。我为每个表情捕获了 20 帧，因此 1 个对象有 140 个面部图像。所以总共 25*140 = 3500 张面部图像。我使用 LBP 从面部图像中获取特征向量。我使用交叉验证来划分训练/测试集，我通常选择 K=10。然后我运行我的代码，我得到了 50% 。我的代码可能有一些错误，但到目前为止我检查了一切似乎都很好。

【解决方案3】：

我不知道如何理解你的问题...

首先，您在识别您的known expressions（即(neutral, happy, sad, surprise, anger, fear, and disgust)）时似乎存在泛化问题。

通常，使用机器学习的目的是将一张新的人脸图像分类为其中一种表情。学习到的泛化将是识别未知面孔（或只是已知面孔的新/未知图像）上的那些表情。

但是你要求分类到新的表达方式，例如confused，这不是整个学习过程中的主题，也与已知的表达方式无关（例如，如果困惑是惊讶和愤怒的混合体）？阿法克那是不可能的。你可以做的是有一个班级unknown expression。每当您识别unknown expression 时，您都会保存这些信息。从所有收集的unknown expression 样本中，您可以手动或自动尝试分离新的表达簇！

【讨论】：

对不起，我不清楚。我的意思是，当一个新人模仿其中一种表达方式时，SVM 会正确预测吗？对此感到抱歉。
这就是训练的目的，所以是的（如果你选择了好的特征和样本进行训练）。