2

目前我正在为一个项目工作,将一组给定的测试图像分类为 5 个预定义类别之一。我使用每个图像的 240 个特征的特征向量实现了逻辑回归,并使用 100 个图像/类别对其进行了训练。每个类别的学习准确度约为 98%,而在包含 500 张图像(100 张图像/类别)的验证集上进行测试时,只有约 57% 的图像被正确分类。

请向我推荐一些我可以使用的库/工具(最好基于神经网络)以获得更高的准确性。

我尝试在 Windows 上使用基于 Java 的工具 Neurophy ( neuroph.sourceforge.net ),但它没有按预期运行。

编辑:已经为项目提供了特征向量。我也在寻找更好的图像特征提取工具。

4

3 回答 3

0

您可以从本文图像分类中获得帮助

在我看来,在涉及多类响应问题时,SVM 相对优于逻辑回归。我们在产品的电子商务分类中使用它,其中有数千个响应级别和数千个特征。

于 2014-03-05T10:06:47.763 回答
0

根据你的标签,我假设你想要一个 python 包,scikit-learn 有很好的分类例程:scikit-learn.org

于 2014-03-04T18:29:35.213 回答
0

我使用 WEKA 工具取得了很好的成功,您需要隔离您感兴趣的功能集,然后从该库中应用分类器。例子很清楚。http://weka.wikispaces.com

于 2014-03-04T20:10:55.257 回答