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