小编Add*_*dee的帖子

我只是在理解主动红外图像和Kinect v2的深度图像之间的区别时感到困惑.谁能告诉我主动红外图像与深度图像相比有什么特殊功能？

我正在对从CNN的不同层提取的特征使用主成分分析.我从这里下载了降维工具箱.

我总共有11232个训练图像,每个图像的特征是6532.所以特征矩阵就像那样11232x6532 如果我想要90%的顶级特征,我可以很容易地做到这一点,使用SVM减少数据的训练精度是81.73%这是公平的.但是,当我尝试具有2408个图像的测试数据时,每个图像的特征是6532.因此用于测试数据的特征矩阵是2408x6532.在这种情况下,前90%功能的输出显示不正确2408x2408.测试精度为25%.不使用降维,训练精度为82.17%,测试精度为79%.
更新:X数据 在何处,no_dims是输出时所需的维数.该PCA功能的输出是可变的mappedX和结构mapping.

% Make sure data is zero mean
    mapping.mean = mean(X, 1);
    X = bsxfun(@minus, X, mapping.mean);

    % Compute covariance matrix
    if size(X, 2) < size(X, 1)
        C = cov(X);
    else
        C = (1 / size(X, 1)) * (X * X');        % if N>D, we better use this matrix for the eigendecomposition
    end

    % Perform eigendecomposition of C
    C(isnan(C)) = 0; …

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？

我正在研究 CNN 特征的早期和晚期融合。我从多层 CNN 中获取了特征。对于早期的融合，我捕捉到了三个不同层的特征，然后将它们水平连接起来。F= [F1' F2' F3'];对于后期的融合，我正在阅读这篇论文。他们曾两次提到要进行监督学习。却看不懂路。

例如，这是取自上述论文的图像。第一个图像具有三个不同的特征，对于第一次监督学习，标签可以说是 4 类图像集中的一个。例如，输出是 [1 1 3]。假设第三个分类器有错误的结果。然后我的问题是，多模态特征连接就像 [1 1 3] 标签 1 可以说是 1 类图像？