SVM для классификации изображений?

Question

Я реализовал Алгоритм сопоставления пространственной пирамиды , разработанный Лазебник в Matlab и последний шаг должен сделать SVM классификация. И на данный момент я совершенно не понимаю, как я Я должен сделать это с точки зрения того, какой вклад я должен предоставить svmtrain и svmclassify функций для получения пар координат характерных точек обучаем и тестируем изображение в конце.

У меня есть:

• координаты SIFT характерных точек на изображении поезда
• координаты характерных точек SIFT на изображении поезда
• матрица пересечения для образа поезда
• матрица пересечения ядра для тестового изображения.

Какой из них мне следует использовать?

Answer 1

Классификатор SVM ожидает в качестве входных данных набор объектов (изображений), представленных кортежами, где каждый кортеж является набором числовых атрибутов. Некоторые особенности изображения (например, гистограмма уровня серого) обеспечивают представление изображения в виде вектора числовых значений, который подходит для обучения SVM. Однако алгоритмы извлечения признаков, такие как SIFT, будут выводить для каждого изображения набор векторов. Итак, вопрос:

Как мы можем преобразовать этот набор векторов объектов в уникальный вектор, представляющий изображение?

Чтобы решить эту проблему, вам придется использовать технику, которая называется мешок визуальных слов .

Answer 2

координаты характерных точек SIFT на изображении поезда Координаты характерных точек SIFT на изображении поезда

Координаты для SVM не помогут.

Я бы использовал:

1. число найденных характерных точек SIFT
2. сегментирует изображения в небольшие ряды и использует наличиеТочка SIFT-Feature в конкретном прямоугольнике как значение логического объекта.В этом случае функция представляет собой комбинацию типа прямоугольник / SIFT-тип объекта.для типов точек N-Rects и M-SIFt вы получаете элементы N * M.

Второй подход требует пространственной нормализации изображений - одинаковый размер, одинаковое вращение

PS: IЯ не эксперт по ОД.Я только провел несколько экспериментов по распознаванию клеток на микроскопических изображениях.

Answer 3

Проблема в том, что количество точек отличается, SVM ожидает, что вектор характеристик будет одинакового размера для поезда и для теста.