SVM 训练 OpenCV
SVM training OpenCV
我一直在使用少量图像（大约 20 张）来训练 SVM，并且我注意到在训练方面，一张图片在结果。
有时它会有点准确，有时它会说一切都匹配，有时什么都不匹配。现在使用较小的图像集，我知道一个图像的影响会成比例地变大，但是除了反复试验之外还有什么可以辨别什么是好的训练集？你如何选择数百张图像进行训练？
这似乎有点太重要的一步，让它继续前进
"well it seems to run better with these images and not those, now what if I include these..."
即猜测。
您的问题不能有一个广泛的明确答案，因为（一如既往）它取决于应用场景的具体情况。
所以tl;dr版本：分析你的问题。
想到了 3 种方法来收集证明您的训练集有用的证据：
在你的训练数据上使用无监督技术来验证它们的有用性（需要你实际分析问题并定义具体标准）。
在没有选择性假设的情况下获取训练数据，但根据您的场景以相同的方式全部对其进行预处理。这可以是从规范化到转换的任何事情，以确保数据增长更稳定，例如学习噪声或不变性。
在某些情况下（例如，运行高度多样化数据的实时系统）您不想做出假设。您希望您的分类器考虑广泛的输入，因此您也选择广泛的训练集。
总的来说：如果训练集中的 1 张图片破坏了分类器，您需要确定是什么让该图片特别，并且最好使用更多与该图片相似的图片进行训练，以使其更加稳健。除非你能确保经过训练的系统永远不会遇到这种类型的图像。
我一直在使用少量图像（大约 20 张）来训练 SVM，并且我注意到在训练方面，一张图片在结果。
有时它会有点准确，有时它会说一切都匹配，有时什么都不匹配。现在使用较小的图像集，我知道一个图像的影响会成比例地变大，但是除了反复试验之外还有什么可以辨别什么是好的训练集？你如何选择数百张图像进行训练？
这似乎有点太重要的一步，让它继续前进
"well it seems to run better with these images and not those, now what if I include these..."
即猜测。
您的问题不能有一个广泛的明确答案，因为（一如既往）它取决于应用场景的具体情况。
所以tl;dr版本：分析你的问题。
想到了 3 种方法来收集证明您的训练集有用的证据：
在你的训练数据上使用无监督技术来验证它们的有用性（需要你实际分析问题并定义具体标准）。
在没有选择性假设的情况下获取训练数据，但根据您的场景以相同的方式全部对其进行预处理。这可以是从规范化到转换的任何事情，以确保数据增长更稳定，例如学习噪声或不变性。
在某些情况下（例如，运行高度多样化数据的实时系统）您不想做出假设。您希望您的分类器考虑广泛的输入，因此您也选择广泛的训练集。
总的来说：如果训练集中的 1 张图片破坏了分类器，您需要确定是什么让该图片特别，并且最好使用更多与该图片相似的图片进行训练，以使其更加稳健。除非你能确保经过训练的系统永远不会遇到这种类型的图像。