我想基于使用SVM的HOG功能进行分类.
据我所知,HOG特征是每个单元格中所有直方图的组合(即它成为一个聚合直方图).
我在本页面中使用MATLAB代码为Dalal-Triggs变体提取HOG功能.
例如,我有大小为384 x 512的灰度图像,然后我以9个方向和8的单元格大小提取HOG特征.通过这样做,我得到48 x 64 x 36个特征.
如何将其作为直方图并将其用于SVM分类器？
因为,例如,我将有7类图像,我想要进行训练(总图像将是700用于训练),然后根据训练阶段生成的模型对新数据进行分类.
我读到对于多类,我们可以用ONE vs ALL训练我们的SVM,这意味着我必须为我的7个类训练7个分类器.
因此,对于第一列火车,我会认为第一类被标记为+1,而重新等级将为0.而第二列火车,我将认为第二类被标记为+1并且重新上课将是0.等等..
例如,我有颜色类别:红色,绿色,蓝色,黄色,白色,黑色和粉红色.
所以对于第一次训练,我只制作了2个红色而不是红色的二进制文件.
对于第二次训练,我将标签设为绿色而不是绿色..是不是就这样？
训练SVM的语法是:
SVMStruct = svmtrain(Training,Group)
但在这种情况下,我将有7个SVMStruct ..
分类/测试的语法
Group = svmclassify(SVMStruct,Sample)
如何在这里声明7个SVMStruct？
是对的吗？？还是有另外一个概念或合成器我必须要知道？
对于培训,我将拥有48 x 64 x 36的功能,我如何在SVM中训练这些功能？因为正如我所读到的,它们只有1xN的特征矩阵.
请帮我...
我见过Wolfram和其他一些网站，这些网站声称每次我们使用对象检测应用程序并将其标记为图像所代表的正确对象时，他们的算法都会使用数据来更新其对象检测模型。
我正在进行逻辑回归，并已对我已经可用的数据集成功实现了它。我现在期待着使该算法快速运行，即每当我使用新的数据集（可以是单个输入数据集）时，它都应该能够更新其权重，并且不应使用整个数据集从头开始训练。
我们是否有任何在线指南或教程或任何此类材料可以在这里给我一个良好的开端。谢谢！