如何让 Opencv SVM 更快？

Posted 2023-03-12

【中文标题】如何让 Opencv SVM 更快？

【英文标题】：How to make Opencv SVM faster?

【发布时间】：2015-04-09 23:39:49

【问题描述】：

我正在使用 Opencv 2.4.8 来实现图像分类解决方案。

没有。类数 = 29

没有。测试图像 = 大约 4000

特点：SURF 描述符，在将每张图像放入 3x6 网格之后。这给出了 18 个不同的 SURF 描述符列表。

分类器：CvSVM (NU_SVC/C_SVC) C=32, gamma=8

有 18 个分类器，每个网格块 1 个。

最终输出基于对所有 SURF 描述符的所有 18 个分类器的输出的重要性投票。

问题在于 SVM 分类需要大量时间（每张图像大约需要 600 毫秒）。提出这种技术的 IEEE 论文报告了 21fps 的速度。我实现的程序的速度慢了 8-10 倍。

我会在哪里犯错？

有什么建议可以加快我的测试/分类速度吗？

【问题讨论】：

你能在并行线程中运行每个分类器吗？

是的，这是可能的。但是我有 Core i5（4 核），最大预期加速是多少？

很抱歉我不能给你一个确切的统计数据，但是如果你写得足够好，3-4x 是可以预期的。

【参考方案1】：

您的实现和作者实现之间可能有很多不同之处，但我会将它们分为三个主要类别：

-数据： 您使用与论文作者相同的数据吗？ 你们的功能完全一样吗？ 也许您的数据包含更多类，或者更难分类，从而导致更多支持向量？ 如果您不使用相同的数据并且他们使用的数据是公开可用的，那么您可能需要在这些数据上测试您的实施。 如果他们在论文中指定了 SV 的数量，请检查您得到的数字是否大致相同。

-算法： 您是否使用相同的内核和训练参数？ OpenCV 实现使用 1-vs-1 算法进行多类分类，您的论文中是否相同？ 请注意，对于 29 个类，这将导致对 18 个分类器中的每一个评估 406 个二元分类器，这可能是您的问题的一个原因。

编辑：快速浏览一下 opencv 代码后，它肯定使用 1vs1。 这可能是（其中一个）问题，即使在我看到的关于该主题的几篇论文中通常报告 1-vs-1 比 1-vs-all 快（更多的分类器，但总体上更少的 SV）。 考虑到您的 cmets，这些特征可能是更可能的原因，但没有更多细节或参考论文，很难说更多。

-实现： 也许他们的实现只是更好地优化/多线程。我不确定 OpenCV 实现的优化程度。它基于一个相当旧的 libSVM 版本，但此后可能已被修改/优化。如果确实是问题，您可能还需要考虑 GPGPU：http://mklab.iti.gr/project/GPU-LIBSVM

【讨论】：

感谢阿德里安的详细回复！ - 数据：我使用与论文发表的数据集相同的数据集他们没有报告 SV 的数量。另一件事是，特征向量 r 基本上是 SURF 描述符。他们不报告 SURF 参数 --> 影响产生的特征数量。 -算法：本文使用RBF内核，Gamma=0.0825，svm_type为NU_SVC。他们不报告“nu”值。您确定 OpenCV 使用 1-vs-1 进行多类吗？我以为我在 opencv 文档上读到它使用 1-vs-all？

关于实现：他们没有报告使用多线程。但我非常怀疑他们可能使用了多线程。他们也没有提到任何关于 GPU 的内容。

从您的评论来看，SURF 可能是其中的区别之一。 nu 值也是如此。

我不确定您是如何使用 SURF 功能的。您是否使用 SURF 描述符向量作为 SVM 的输入特征。如果是，你如何选择向量的长度？也许参考这篇论文会有所帮助。