词袋训练样本

Posted 2023-03-12

【中文标题】词袋训练样本

【英文标题】：Bag of words training samples

【发布时间】：2013-04-19 08:35:00

【问题描述】：

我已经实现了 Bag Of Words，一切都很顺利。但是，我对一些步骤以及如何实现它感到困惑。

我可以创建弓形描述符作为词袋中的最后一步来创建样本，如此处所示bowDE.compute(img, keypoints, bow_descriptor); .. 事情是我对接下来的步骤感到困惑。

我知道在 BOW 中我必须用非类（可乐）训练和测试一个类（汽车），我在 bow_descriptor 向量中创建的仅用于类汽车，所以我有只属于样本的向量到车上。以下是我在训练和测试系统时遇到的问题。

1- 我应该将 bow_descriptor 的向量一半用于 class(cola) ，其余用于 non-class(cola) ，还是我必须为 non-class(cola) 创建一个新的 bow_descriptor ？

2-我需要做多类分类，在完成第一个类（汽车）系统后，我需要训练一个新类（巴士+火车等），我是否应该创建一个新的训练模型他们每个人，或 是否可以与之前的培训一起进行培训程序（即培训班BUS，在同一系统中与班车一起培训）？

【参考方案1】：

你是为所有类创建一个对象还是为每个类创建一个对象都没有关系，只要你为所有类使用相同的字典即可。 只创建一个对象可能更经济。但是提取出来的图片描述符应该是一样的。

关于多类 SVM：

您使用了 SVM 标签。所以我假设你想使用 SVM。确实存在使用 SVM 显式进行多类分类的方法，更常见的是训练几个二进制 SVM 并将它们组合以获得多类结果。

您可以使用 1-vs-1 设置，每个类对训练一个 SVM。对于测试，您在每个 SVM 上评估您的测试示例。最常赢得这些决斗的班级将成为您的最终结果。

另一种流行的方法是 1-vs-all SVM。在这里，您为每个类训练一个 SVM，其中当前类的样本被标记为正样本，所有其他样本被标记为负样本。在测试中，得分最高的班级获胜。

因此，如果您想使用 1-vs-1 设置，您可以在添加新类时重用一些二进制 SVM。 1-vs-All 设置是不可能的，因为您需要将新类添加到每个 SVM 的负样本中。

【讨论】：

嘿@sietschie，所以你的意思是 bow_descriptor 可以包含所有 4 个类或只包含 2 个类（正和负）？另一个问题，在我的 SVM 中，我将如何训练它们？老实说，我现在有点困惑？我应该训练什么，应该测试什么？

当然。它所做的只是计算每个图像中每个单词的出现次数。无论您是一次处理所有图像还是每个班级都这样做并不重要。

通常在分类中，您将数据拆分为训练集和测试集。训练集用于计算 SVM。测试集仅用于评估系统的性能。这能回答你的问题吗？

@sitchie，现在我明白了如何创建作为 bow_descriptor 的字典（它适用于所有图像，包括它们的负数）。下一步呢，我的意思是如何训练和测试，可以指导具体步骤吗？

这个answer 提供了一个很好的概述。还是您的意思是how to use OpenCVs SVM 上的详细信息？