- iOS/Objective-C 元类和类别
- objective-c - -1001 错误,当 NSURLSession 通过 httpproxy 和/etc/hosts
- java - 使用网络类获取 url 地址
- ios - 推送通知中不播放声音
我的目标是训练 SVM 并获得支持 vector ,我可以将其插入 opencv 的 HOGdescriptor 以进行对象检测。
我收集了 4000~ 个正样本和 15000~ 个负样本,并使用 opencv 提供的 SVM 进行训练。结果给了我太多误报。(每张图片最多 20 个)我会剪掉误报并将它们添加到负片池中以重新训练。有时我会得到更多的误报!我尝试将 hogdescriptor 的 L2HysThreshold 向上调整到 300,但没有明显改善。我的阳性和阴性池是否足够大?
SVM 训练也比预期快得多。我曾尝试使用大小为 2916 和 12996 的特征向量,分别尝试使用灰度图像和彩色图像。 SVM 训练的时间从未超过 20 分钟。我使用 auto_train。我是机器学习的新手,但据我所知,使用像我这样大的数据集进行训练至少需要一天时间,不是吗?
我相信 cvSVM 没有做太多学习,根据 http://opencv-users.1802565.n2.nabble.com/training-a-HOG-descriptor-td6363437.html , 它不适合这个目的。有 cvSVM 经验的人对此有更多意见吗?
我正在考虑使用 SVMLight http://svmlight.joachims.org/但看起来没有办法可视化 SVM 超平面。我有哪些选择?
我使用 opencv2.4.3 并为 hogdescriptor 尝试了以下设置
hog.winSize = cv::Size(100,100);
hog.cellSize = cv::Size(5,5);
hog.blockSize = cv::Size(10,10);
hog.blockStride = cv::Size(5,5); //12996 feature vector
hog.winSize = cv::Size(100,100);
hog.cellSize = cv::Size(10,10);
hog.blockSize = cv::Size(20,20);
hog.blockStride = cv::Size(10,10); //2916 feature vector
最佳答案
cvSVM
可能不可用),否则正样本和负样本的数量应该大致相同。cvSVM
通常不是用于为 OpenCV HOG 训练 SVM 的工具。使用二进制形式的 SVMLight(不是免费用于商业目的)或 libSVM(可以用于商业目的)。使用您的 C++/OpenCV 代码计算所有样本的 HOG,并以 SVMLight/libSVM 的正确输入格式将其写入文本文件。使用任一程序使用具有最佳 C
的线性核来训练模型。通过在循环中更改 C
的同时搜索最佳精度来找到最佳 C
。通过查找所有支持 vector ,将 alpha 值乘以每个相应的支持 vector ,然后为每个维度添加所有支持 vector ,计算检测器 vector (N+1
维 vector ,其中 N 是描述符的维数)生成的 alpha * 值来查找 N
D vector 。作为最后一个元素,添加 -b
,其中 b
是超平面偏差(您可以在 SVMLight/libSVM 训练的模型文件中找到它)。将此 N+1
维检测器提供给 HOGDescriptor::setSVMDetector()
并使用 HOGDescriptor::detect()
或 HOGDescriptor::detectMultiScale()
用于检测。关于c++ - cvSVM 训练对 HOGDescriptor 的结果很差,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/18448842/
real adaboost Logit boost discrete adaboost 和 gentle adaboost in train cascade parameter 有什么区别.. -bt
我想为 book crossing 构建训练数据矩阵和测试数据矩阵数据集。但作为 ISBN 代码的图书 ID 可能包含字符。因此,我无法应用此代码(来自 tutorial ): #Create two
我找到了 JavaANPR 库,我想对其进行自定义以读取我所在国家/地区的车牌。 似乎包含的字母表与我们使用的字母表不同 ( http://en.wikipedia.org/wiki/FE-Schri
我有一个信用卡数据集,其中 98% 的交易是非欺诈交易,2% 是欺诈交易。 我一直在尝试在训练和测试拆分之前对多数类别进行欠采样,并在测试集上获得非常好的召回率和精度。 当我仅在训练集上进行欠采样并在
我打算: 在数据集上从头开始训练 NASNet 只重新训练 NASNet 的最后一层(迁移学习) 并比较它们的相对性能。从文档中我看到: keras.applications.nasnet.NASNe
我正在训练用于分割的 uNet 模型。训练模型后,输出全为零,我不明白为什么。 我看到建议我应该使用特定的损失函数,所以我使用了 dice 损失函数。这是因为黑色区域 (0) 比白色区域 (1) 大得
我想为新角色训练我现有的 tesseract 模型。我已经尝试过 上的教程 https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesser
我的机器中有两个 NVidia GPU,但我没有使用它们。 我的机器上运行了三个神经网络训练。当我尝试运行第四个时,脚本出现以下错误: my_user@my_machine:~/my_project/
我想在python的tensorflow中使用稀疏张量进行训练。我找到了很多代码如何做到这一点,但没有一个有效。 这里有一个示例代码来说明我的意思,它会抛出一个错误: import numpy as
我正在训练一个 keras 模型,它的最后一层是单个 sigmoid单元: output = Dense(units=1, activation='sigmoid') 我正在用一些训练数据训练这个模型
所以我需要使用我自己的数据集重新训练 Tiny YOLO。我正在使用的模型可以在这里找到:keras-yolo3 . 我开始训练并遇到多个优化器错误,添加了错误代码以防止混淆。 我注意到即使它应该使用
将 BERT 模型中的标记化范式更改为其他东西是否有意义?也许只是一个简单的单词标记化或字符级标记化? 最佳答案 这是论文“CharacterBERT: Reconciling ELMo and BE
假设我有一个非常简单的神经网络,比如多层感知器。对于每一层,激活函数都是 sigmoid 并且网络是全连接的。 在 TensorFlow 中,这可能是这样定义的: sess = tf.Inte
有没有办法在 PyBrain 中保存和恢复经过训练的神经网络,这样我每次运行脚本时都不必重新训练它? 最佳答案 PyBrain 的神经网络可以使用 python 内置的 pickle/cPickle
我尝试使用 Keras 训练一个对手写数字进行分类的 CNN 模型,但训练的准确度很低(低于 10%)并且误差很大。我尝试了一个简单的神经网络,但没有效果。 这是我的代码。 import tensor
我在 Windows 7 64 位上使用 tesseract 3.0.1。我用一种新语言训练图书馆。 我的示例数据间隔非常好。当我为每个角色的盒子定义坐标时,盒子紧贴角色有多重要?我使用其中一个插件,
如何对由 dropout 产生的许多变薄层进行平均?在测试阶段要使用哪些权重?我真的很困惑这个。因为每个变薄的层都会学习一组不同的权重。那么反向传播是为每个细化网络单独完成的吗?这些细化网络之间的权重
我尝试训练超正方语言。我正在使用 Tess4J 进行 OCR 处理。我使用jTessBoxEditor和SerakTesseractTrainer进行训练操作。准备好训练数据后,我将其放在 Tesse
我正在构建一个 Keras 模型,将数据分类为 3000 个不同的类别,我的训练数据由大量样本组成,因此在用一种热编码对训练输出进行编码后,数据非常大(item_count * 3000 * 的大小)
关闭。这个问题需要多问focused 。目前不接受答案。 想要改进此问题吗?更新问题,使其仅关注一个问题 editing this post . 已关闭 8 年前。 Improve this ques
我是一名优秀的程序员,十分优秀!