image-processing - 大规模图像分类器

Question

我有一大组标有植物名称的植物图像。为了对未标记的照片进行分类，用于训练该数据集的最佳算法是什么？对照片进行处理，使 100% 的像素包含植物(例如叶子或树皮的特写)，因此算法不需要过滤掉其他对象/空白空间/背景。

我已经尝试生成 SIFT所有照片的特征并将这些(特征，标签)对提供给 LibLinear SVM，但准确率只有可怜的 6%。

我还尝试将相同的数据提供给一些 Weka分类器。准确性稍好一些(Logistic 为 25%，IBk 为 18%)，但 Weka 的设计并不是为了可扩展性(它将所有内容加载到内存中)。由于 SIFT 特征数据集有几百万行，我只能用随机的 3% 切片来测试 Weka，所以它可能不具有代表性。

编辑:一些示例图像:

Answer 1

通常，您不会直接训练 SIFT 特征。对它们进行聚类(使用 k 均值)，然后训练聚类成员标识符的直方图(即 k 维向量，在位置 i 处计算分配给 i 的特征数量>第 i 个簇)。

通过这种方式，您可以获得每个图像的单个输出(以及单个 k 维特征向量)。

这是准代码(在 Pythonn 中使用 mahotas 和 milk):

from mahotas.surf import surf
from milk.unsupervised.kmeans import kmeans,assign_centroids
import milk

# First load your data:
images = ...
labels = ...

local_features = [surfs(im, 6, 4, 2) for im in imgs]
allfeatures = np.concatenate(local_features)
_, centroids = kmeans(allfeatures, k=100)
histograms = []
for ls in local_features:
     hist = assign_centroids(ls, centroids, histogram=True)
     histograms.append(hist)

cmatrix, _ = milk.nfoldcrossvalidation(histograms, labels)
print "Accuracy:", (100*cmatrix.trace())/cmatrix.sum()