SVM 预测单元格中的数据而不是预期的矩阵
SVM prediction of data in cells rather than the expected matrix
对于我的 svm 训练和预测，我使用 vl_svmtrain，其文档可在此处找到：http://www.vlfeat.org/matlab/vl_svmtrain.html
[W B] = VL_SVMTRAIN(X, Y, LAMBDA) trains a linear Support Vector
Machine (SVM) from the data vectors X and the labels Y. X is a D by N
matrix, with one column per example and D feature dimensions (SINGLE
or DOUBLE). Y is a DOUBLE vector with N elements with a binary (-1 or
+1) label for each training point.
根据文档，数据 X 必须位于 D×N 矩阵中，每列有一个样本。
问题是我的数据根本不是这样排列的，我想即使我想也不能这样排列。我的每个图像都由一个大小为 512 * 257 的特征矩阵表示，这些都存储在一个单元格中。同样每个测试图像也是相同大小的。
所以为了简化起见，我假设我只有 3 个 class，每个 class 都由一个大小为 512 * 257 的模型表示，我有数千个测试我必须再次比较每个模型，更像是一个对所有的方法。但是我遇到困难的是数据安排。
是否可以将数据以单元格式而非矩阵格式呈现给 SVM？
更新：
我提到的元胞数组由28个模型组成。所以我一共有28个classes，每个class用一个大小为512 * 257的数组表示。写 models(1) 表示 ans = [512x257 double]，写 models{1} 生成 512*257 双矩阵。
这就是我用来训练 SVM 的，同样每个测试也是相同的大小和相同的排列。
我如何为每个模型得到这个矩阵？我从每个 class/model 的 100 张图像中提取了 RootSIFT 特征。然后，我将这些特征呈现给高斯混合模型脚本，并将簇数设置为 512。这为我提供了 512 个簇的均值、协方差和权重。然后我使用 models{i} = [gmm_models{i}.w(:) gmm_models{i}.mu' gmm_models{i}.sigma'];
连接它们
测试方面，从5张图片中提取RootSIFT特征，然后经过与模型相同的过程，得到相同大小的级联矩阵。所以每个模型自然有数百个测试矩阵。
我希望这比以前更清楚了。
除了它所讨论的 D x N 矩阵之外，没有其他方法可以将数据表示给 vl_svmtrain 方法。但是，您可以展开元胞数组并变换每个特征矩阵，使其成为 列向量 。然后，您将构建矩阵，使每个列向量代表一个特征矩阵，并横向连接这些列向量以生成最终的 D x N 矩阵。
因此，您可以进行一些预处理以获得所需的矩阵 X。首先，展开您的元胞数组，使其成为一个 3D 矩阵，其中每个切片都是一个特征矩阵。然后，重塑此矩阵，使每个切片成为最终二维矩阵的单列。因此，做这样的事情，假设你的元胞数组存储在 A:
X_3D = cat(3, A{:});
X = reshape(X_3D, size(X_3D,1)*size(X_3D,2), []);
X 将包含我们谈到的最终二维矩阵。请记住，每个特征矩阵都将在 列 的基础上展开。这意味着对于您拥有的每个特征矩阵，各列相互堆叠，为输出 2D 矩阵创建单个列。您现在可以使用 X 作为 vl_svmtrain.
的输入
但是，我要给你一个公平的警告，因为每一列在技术上都是 512 x 257 = 131584 个元素。如果您有 1000 个特征矩阵，由于内存要求，该矩阵可能无法用于 vl_svmtrain。因此，您可能必须对特征矩阵进行子采样，或者使用减少数量的特征矩阵作为输入。
祝你好运！
对于我的 svm 训练和预测，我使用 vl_svmtrain，其文档可在此处找到：http://www.vlfeat.org/matlab/vl_svmtrain.html
[W B] = VL_SVMTRAIN(X, Y, LAMBDA) trains a linear Support Vector Machine (SVM) from the data vectors X and the labels Y. X is a D by N matrix, with one column per example and D feature dimensions (SINGLE or DOUBLE). Y is a DOUBLE vector with N elements with a binary (-1 or +1) label for each training point.
根据文档，数据 X 必须位于 D×N 矩阵中，每列有一个样本。
问题是我的数据根本不是这样排列的，我想即使我想也不能这样排列。我的每个图像都由一个大小为 512 * 257 的特征矩阵表示，这些都存储在一个单元格中。同样每个测试图像也是相同大小的。
所以为了简化起见，我假设我只有 3 个 class，每个 class 都由一个大小为 512 * 257 的模型表示，我有数千个测试我必须再次比较每个模型，更像是一个对所有的方法。但是我遇到困难的是数据安排。
是否可以将数据以单元格式而非矩阵格式呈现给 SVM？
更新：
我提到的元胞数组由28个模型组成。所以我一共有28个classes，每个class用一个大小为512 * 257的数组表示。写 models(1) 表示 ans = [512x257 double]，写 models{1} 生成 512*257 双矩阵。
这就是我用来训练 SVM 的，同样每个测试也是相同的大小和相同的排列。
我如何为每个模型得到这个矩阵？我从每个 class/model 的 100 张图像中提取了 RootSIFT 特征。然后，我将这些特征呈现给高斯混合模型脚本，并将簇数设置为 512。这为我提供了 512 个簇的均值、协方差和权重。然后我使用 models{i} = [gmm_models{i}.w(:) gmm_models{i}.mu' gmm_models{i}.sigma'];
测试方面，从5张图片中提取RootSIFT特征，然后经过与模型相同的过程，得到相同大小的级联矩阵。所以每个模型自然有数百个测试矩阵。
我希望这比以前更清楚了。
除了它所讨论的 D x N 矩阵之外，没有其他方法可以将数据表示给 vl_svmtrain 方法。但是，您可以展开元胞数组并变换每个特征矩阵，使其成为 列向量 。然后，您将构建矩阵，使每个列向量代表一个特征矩阵，并横向连接这些列向量以生成最终的 D x N 矩阵。
因此，您可以进行一些预处理以获得所需的矩阵 X。首先，展开您的元胞数组，使其成为一个 3D 矩阵，其中每个切片都是一个特征矩阵。然后，重塑此矩阵，使每个切片成为最终二维矩阵的单列。因此，做这样的事情，假设你的元胞数组存储在 A:
X_3D = cat(3, A{:});
X = reshape(X_3D, size(X_3D,1)*size(X_3D,2), []);
X 将包含我们谈到的最终二维矩阵。请记住，每个特征矩阵都将在 列 的基础上展开。这意味着对于您拥有的每个特征矩阵，各列相互堆叠，为输出 2D 矩阵创建单个列。您现在可以使用 X 作为 vl_svmtrain.
但是，我要给你一个公平的警告，因为每一列在技术上都是 512 x 257 = 131584 个元素。如果您有 1000 个特征矩阵，由于内存要求，该矩阵可能无法用于 vl_svmtrain。因此，您可能必须对特征矩阵进行子采样，或者使用减少数量的特征矩阵作为输入。
祝你好运！