libsvm - 多类分类的训练数据格式

Posted 2023-03-12

【中文标题】libsvm - 多类分类的训练数据格式

【英文标题】：libsvm - training data format for multiclass classification

【发布时间】：2014-09-23 06:47:23

【问题描述】：

我在 OpenCV 中进行了禁止交通标志检测。现在，我想认出他们。比如我在检测时需要区分限速20km/h和限速30km/h。

为了节省时间，我决定使用德国交通标志识别 (GTSRB) 基准的预先计算特征进行分类训练。 在 GTSRB 中有 12 种不同的禁止交通标志类别，其余为其他类别。对于每个训练图像，计算 HOG、HAAR 和 Hue 直方图特征并将其存储在不同的文件夹中。我正在使用预先计算的 HOG 特征，每个训练图像的向量维度为 1568。

关于准备 LIBSVM 格式的训练数据矩阵，我有两个想法。我不确定应该使用哪种格式进行多类分类。我已经编写了 C++ 程序来将不同文件中的特征转换为 LIBSVM 格式。

问题 1：以下哪个想法是识别禁止交通标志的正确方法？

问题 2：我需要实时可视化识别的标志。但是，libsvm 中的示例仅显示了准确度级别。 libsvm 是正确的选择，还是应该在运行交通标志检测程序时在 OpenCV 中创建训练数据矩阵？

IDEA 1：将 +1 标签分配给所有禁止类，将 -1 标签分配给其他类

 +1 1:0.32 2:0.27 3: 0.01 ... 1568:0.04 //class 1 - speed limit 20
 .                                      //features of training images
 .                                      
 .                                     
 +1 1:0.44 2:0.12 3: 0.23 ... 1568:0.03 //class 2 - speed limit 30
 .                                      //features of training images
 .                       
 .               
 +1 1:0.32 2:0.27 3: 0.01 ... 1568:0.04 //class 12 - speed limit 80
 .                                      //features of training images
 . 
 .
 -1 1:0.32 2:0.27 3: 0.01 ... 1568:0.04 //other classes
 .                                     //features of training images
 . 
 .

想法 2：为每个禁止类别分配 12 个不同的标签，为所有其他类别分配 -1。

 +1 1:0.32 2:0.27 3: 0.01 ... 1568:0.04 //class 1 - speed limit 20
 .                                      //features of training images
 .                                      
 .                                     
 +2 1:0.44 2:0.12 3: 0.23 ... 1568:0.03 //class 2 - speed limit 30
 .                                      //features of training images
 .                       
 .               
 +12 1:0.32 2:0.27 3: 0.01 ... 1568:0.04 //class 12 - speed limit 80
 .                                       //features of training images
 . 
 .
 -1  1:0.65 2:0.72 3: 0.12 ... 1568:0.12 //all other classes 
 .                                       //features of training images
 . 
 .

提前致谢，

【参考方案1】：

Q1 如果可行，您应该更喜欢想法 1。原因是它需要更少的培训。如果有 N 个类，对于多类分类，LIBSVM 在内部训练 N(N-1)/2 个分类器。

所以如果 N=2（想法 1）LIBSVM 训练一个分类器。但是如果 N=13（想法 2），LIBSVM 训练 78 个分类器。 但这并不意味着它会慢 78 倍，但它变得复杂了。

Q2这个问题无法回答，因为它取决于你没有提到的事情，而且有点见仁见智。

【讨论】：

非常感谢。我将比较两种方法，看看有什么不同。