Add*_*dee 2 image-processing histogram feature-extraction computer-vision
我正在工作草杂草检测。我已经开始从 HoG 描述符中提取特征。正如从 HoG 文献中研究的那样，HoG 不是旋转不变的。我有每类杂草的总共 18 张图像，并且有两个类。在我的训练和测试数据库中，我将每个图像旋转 [5 10 15 20 ... 355] 度。
训练和测试是使用 LibSVM 包完成的。我得到了大约 80% 的准确率。
我的问题是，如果 HoG 不是旋转不变的，那么我怎样才能获得如此高的准确度？
首先，对于旋转不变的描述符 D，您有：
D(image) ~= D(image_5) ~= D(image_X)
X：旋转角度
运算符 ~= 我们的意思是比较特征之间的距离很小。
因此，对于旋转不变描述符 D，您不必将图像的旋转版本添加到训练集中。因为 D(image) ~= D(image_30) ~= D(image_X)，将旋转图像添加到训练集在某种程度上是多余的（在特征空间中，您在非常相似的位置添加样本）。
相反，在您的配置中，旋转的鲁棒性不是由 HOG 处理，而是由：
1/ 数据增强（将旋转图像添加到训练集）
2/ 机器学习算法 SVM。
在特征空间中，对于 HOG：D(image) 和 D(image_X) 位于特征空间中的不同位置，SVM 学会将它们“放在”同一类中。
如果你真的想测试 HOG 对旋转的不变性，不要将旋转后的图像添加到训练集中，而是将它们保留在测试集中。准确率应该会急剧下降。