c++ - OpenCV SVM 总是预测更高类别的标签

Question

我正在使用 OpenCV SVM 实现来二进制预测图像特征的重要性。因此，我正在根据正面和负面图像特征对其进行训练，并在 {0,1} 中寻找分类。

我遇到的问题是，在训练之后，SVM 总是预测具有更高/更大类别标签的类别。我可以更改训练数据集的标签，但这个问题仍然存在。我仔细检查了生成的标签和训练的 cv::Mat 矩阵，没有发现任何问题。

下面是我的 SVM 类和附带的 SVM 参数

//Populate the SVM parameters
void SVM::setSVMParams()
{
    params.svm_type = cv::SVM::C_SVC;
    params.kernel_type = cv::SVM::RBF;
    params.term_crit = cv::TermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);

    params_set = true;
}

//Train the SVM with the given data
void SVM::train(cv::Mat train_data, cv::Mat labels)
{
    //Set the SVM parameters if they haven't been already
    if (!params_set)
    {
        setSVMParams();
    }

    svm.train(train_data, labels, cv::Mat(), cv::Mat(), params);
}

//Based on training, predict the class of the given data
float SVM::predict(cv::Mat sample)
{
    return svm.predict(sample, false);
}

这里是负责生成训练数据和相应标签的函数

//Creates the appropriate training data and class labels for subsequent SVM training according to supplied D threshold
void Matchings::createSVMTrainingObjects(const float t_D, const float positive_label, const float negative_label, bool print_info)
{
    cv::Mat train_data_l((int)matchings_list.size(), 132, CV_32FC1);
    cv::Mat labels_l((int)matchings_list.size(), 1, CV_32FC1);

    int num_pos = 0;
    int num_neg = 0;

    for (int i = 0; i < matchings_list.size(); i++)
    {
        matching_d entry = matchings_list[i];

        //Important feature, label 1
        if (entry.D > t_D)
        {
            labels_l.at<float>(i) = positive_label;

            num_pos++;
        }
        //Unimportant feature, label -1
        else
        {
            labels_l.at<float>(i) = negative_label;

            num_neg++;
        }

        int j = 0;

        //Copy feature into current row of openCV matrix
        train_data_l.at<float>(i, j++) = entry.feature.x;
        train_data_l.at<float>(i, j++) = entry.feature.y;
        train_data_l.at<float>(i, j++) = entry.feature.scale;
        train_data_l.at<float>(i, j++) = entry.feature.angle;
        for (int k = 0; k < 128; k++)
        {
            train_data_l.at<float>(i, j + k) = entry.feature.vec[k];
        }
    }

    std::cout << "For training: #+ves=" << num_pos << ", #-ves=" << num_neg << std::endl;

    train_data = train_data_l;
    labels = labels_l;
}

最后，这里是实际调用 SVM 预测结果以保留重要图像特征的函数

matchingslist ASIFT::filterFeaturesWithSVM(matchingslist matchings, SVM& svm)
{
    matchingslist new_matchings;

    for (int i = 0; i < (int)matchings.size(); i++)
    {
        cv::Mat first = Utility::keypointToMat(matchings[i].first);
        cv::Mat second = Utility::keypointToMat(matchings[i].second);

        //If both features are of importance, retain them
        if (svm.predict(first) == 1.0f && svm.predict(second) == 1.0f)
        {
            new_matchings.push_back(matchings[i]);
        }
        else
        {
            std::cout << "Feature removed" << std::endl;
        }
    }

    return new_matchings;
}

Answer 1

该方法的一个主要问题是您在使用 RBF 时没有设置 SVM 的超参数，因此可能 C=1 和 gamma=1/d (或 1/mean ||x||^2)，因为这些是大多数 SVM 实现中的默认值。

虽然这些对于构建有效模型至关重要。特别是，如果您的 C 值太低(1 可能是，取决于数据的许多特征)，那么 SVM 会构建一个简单的模型总是预测其中一个类。

你应该做什么？您应该检查 C 和 gamma 的多个值。这些参数的含义是什么？

• C(您的1)是错误分类的权重 - C 越大，SVM 将更加努力地准确学习训练数据，可能以过度拟合为代价。
• gamma(您的默认值)是 RBF 核的 2 倍方差的倒数。换句话说 - Gamma 越大，高斯越小，因此 - 你的方法在几何意义上更“局部”。同样 - 大 Gamma 可以帮助您最大限度地减少训练误差(偏差)，但会导致更高的测试误差(方差)。

正确选择方差偏差之间的权衡是机器学习技术的关键要素。在 RBF SVM 的情况下——你可以通过上面的方法来控制它。和他们一起玩，检查训练集错误和测试集错误，看看发生了什么。如果你的训练集错误很大——增加 C 和/或 Gamma 。一旦你的训练集误差没问题，看看测试集——如果它太大——尝试减少值等等。它通常通过一些内部交叉验证和参数的网格搜索以自动方式完成。

查看关于模型选择和超参数优化的资料。

此外你固定迭代次数

params.term_crit = cv::TermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);

而对于 SVM，您永远不应该这样做。让它收敛(或者至少放 100,000 之类的东西)，在仅仅 100 步之后，SVM 可能甚至没有接近收敛(因此导致了微不足道的模型)。