0

对于我正在使用的 svm 训练和预测vl_svmtrain，可以在此处找到其文档：http ://www.vlfeat.org/matlab/vl_svmtrain.html

[WB] = VL_SVMTRAIN(X, Y, LAMBDA) 从数据向量 X 和标签 Y 训练一个线性支持向量机 (SVM)。X 是一个 D×N 矩阵，每个示例一列和 D 个特征维度（SINGLE或双）。Y 是具有 N 个元素的 DOUBLE 向量，每个训练点带有二进制（-1 或 +1）标签。

根据文档，数据X必须在 D × N 矩阵中，每列一个样本。

问题是我的数据根本没有以这种方式排列，即使我愿意，我也不认为我可以这样排列。我的每个图像都由一个 size 的特征矩阵表示512 * 257，它们存储在一个单元格中。同样，每个测试图像也具有相同的大小。

因此，为了简化起见，我假设我只有 3 个类，每个类都由一个大小模型表示，512 * 257并且我有数千个测试，我必须与每个模型进行比较，更像是一个对所有的方法。但它是我遇到困难的数据安排。

是否可以将数据以单元格格式而不是矩阵格式呈现给 SVM？

更新：

我提到的单元阵列由 28 个模型组成。所以我一共有 28 个类，每个类都由一个 size 数组表示512 * 257。写models(1)礼物ans = [512x257 double]和写作models{1}会产生512*257双重矩阵。

这就是我用来训练 SVM 的方法，同样，每个测试的大小也相同，并且排列方式相同。

我如何为每个模型得到这个矩阵？我从每个类/模型的 100 个图像中提取了 RootSIFT 特征。然后我将这些特征呈现给一个高斯混合模型脚本，并将集群的数量设置为 512。这给了我 512 个集群的均值、协方差和权重。然后我将它们连接起来使用models{i} = [gmm_models{i}.w(:) gmm_models{i}.mu' gmm_models{i}.sigma'];

测试方面，从 5 张图像中提取 RootSIFT 特征，然后对它们进行与模型相同的处理，得到相同大小的级联矩阵。所以很自然地，每个模型都有数百个测试矩阵。

我希望这比以前更清楚了。

4

1 回答 1

1

除了它正在谈论的矩阵之外，没有其他方法可以将数据表示为vl_svmtrain方法。D x N但是，您可以做的是展开元胞数组并转换每个特征矩阵，使其成为列向量。然后，您将构建矩阵，使每个列向量代表一个特征矩阵，并将这些列向量横向连接以生成最终D x N矩阵。

因此，您可以进行一些预处理以获得所需的矩阵X。首先，展开您的元胞数组，使其成为一个 3D 矩阵，其中每个切片都是一个特征矩阵。然后，重塑此矩阵，使每个切片成为最终二维矩阵的单列。因此，假设您的元胞数组存储在A：

X_3D = cat(3, A{:});
X = reshape(X_3D, size(X_3D,1)*size(X_3D,2), []);

X将包含我们讨论过的最终二维矩阵。请记住，每个特征矩阵都将按列展开。这意味着对于您拥有的每个特征矩阵，这些列相互堆叠以创建一个用于输出 2D 矩阵的列。您现在可以X用作vl_svmtrain.

但是，我会给你一个公平的警告，因为从技术上讲，每一列都是512 x 257 = 131584元素。vl_svmtrain如果您有 1000 个特征矩阵，则由于内存要求，此矩阵可能无法使用。因此，您可能必须对特征矩阵进行二次采样，或者使用减少数量的特征矩阵作为输入。

祝你好运！

于 2015-01-07T19:30:26.847 回答