如何使 HOG 特征向量适应线性 svm 输入

Posted 2023-03-13

【中文标题】如何使 HOG 特征向量适应线性 svm 输入

【英文标题】：How to adapt HOG features vector to linear svm input

【发布时间】：2016-08-14 00:22:15

【问题描述】：

我正在使用 HOG 来通过图像 A 提取一组特征。 HOG 返回 1xN 个元素的特征向量。 然而，线性 SVM 只接受每个样本的 2 个特征，即训练数据矩阵的大小为 Mx2。那么我如何调整 HOG 向量以在线性 SVM 上进行训练。 请帮我。 谢谢

【参考方案1】：

“线性 SVM 只接受每个样本的 2 个特征”是什么意思？您可能对 SVM 函数如何接受其训练数据感到困惑。这是我如何使用它的一个简单示例：

首先，让我们使用fitcsvm 使用 500 个随机数据样本（训练数据矩阵中的行）训练一个 SVM 模型，每个样本有 1000 个元素（训练数据矩阵中的列），其中前 250 个样本是在第 1 类中（前 250 行训练标签），最后 250 个样本在第 0 类中（最后 250 行训练标签）：

>> training_data = rand(500, 1000);
>> training_labels = [ones(250,1); zeros(250,1)];
>> 
>> svm_model = fitcsvm(training_data, testing_data)

svm_model = 

  ClassificationSVM
      PredictorNames: 1x1000 cell
        ResponseName: 'Y'
          ClassNames: [0 1]
      ScoreTransform: 'none'
     NumObservations: 500
               Alpha: [418x1 double]
                Bias: 2.3217
    KernelParameters: [1x1 struct]
      BoxConstraints: [500x1 double]
     ConvergenceInfo: [1x1 struct]
     IsSupportVector: [500x1 logical]
              Solver: 'SMO'


  Properties, Methods

我们可以为 10 个测试样本生成一些随机测试数据，每个样本包含 1000 个元素，并从中创建一些预测：

>> test_data = rand(10, 1000);
>> predicted_classes = predict(svm_model, test_data)

predicted_classes =

     1
     1
     1
     1
     1
     0
     0
     0
     1
     0

这能回答你的问题吗？

【讨论】：

您好，丹尼尔·普林斯先生。