21

我目前正在对具有不同图像描述符的图像进行分类。由于他们有自己的指标,我使用的是预先计算的内核。因此,鉴于这些 NxN 内核矩阵(总共 N 图像),我想训练和测试 SVM。不过,我对使用 SVM 不是很有经验。

令我困惑的是如何输入训练输入。使用内核 MxM 的一个子集(M 是训练图像的数量),训练具有 M 个特征的 SVM。但是,如果我理解正确,这将限制我使用具有相似数量特征的测试数据。尝试使用大小为 MxN 的子内核会在训练期间导致无限循环,因此,在测试时使用更多特征会产生较差的结果。

这导致使用相同大小的训练和测试集给出合理的结果。但是,如果我只想对一张图像进行分类,或者对每个类使用给定数量的图像进行训练并用其余的图像进行测试,那么这根本行不通。

如何消除训练图像数量和特征之间的依赖关系,以便我可以使用任意数量的图像进行测试?

我在 MATLAB 中使用 libsvm,内核是 [0,1] 之间的距离矩阵。

4

1 回答 1

41

您似乎已经发现了问题...根据 MA​​TLAB 包中包含的 README 文件:

要使用预计算内核,您必须将样本序列号作为训练和测试数据的第一列。

让我用一个例子来说明:

%# read dataset
[dataClass, data] = libsvmread('./heart_scale');

%# split into train/test datasets
trainData = data(1:150,:);
testData = data(151:270,:);
trainClass = dataClass(1:150,:);
testClass = dataClass(151:270,:);
numTrain = size(trainData,1);
numTest = size(testData,1);

%# radial basis function: exp(-gamma*|u-v|^2)
sigma = 2e-3;
rbfKernel = @(X,Y) exp(-sigma .* pdist2(X,Y,'euclidean').^2);

%# compute kernel matrices between every pairs of (train,train) and
%# (test,train) instances and include sample serial number as first column
K =  [ (1:numTrain)' , rbfKernel(trainData,trainData) ];
KK = [ (1:numTest)'  , rbfKernel(testData,trainData)  ];

%# train and test
model = svmtrain(trainClass, K, '-t 4');
[predClass, acc, decVals] = svmpredict(testClass, KK, model);

%# confusion matrix
C = confusionmat(testClass,predClass)

输出:

*
optimization finished, #iter = 70
nu = 0.933333
obj = -117.027620, rho = 0.183062
nSV = 140, nBSV = 140
Total nSV = 140
Accuracy = 85.8333% (103/120) (classification)

C =
    65     5
    12    38
于 2011-10-14T21:14:07.567 回答