支持向量机用于多个对象分类

Question

我正在尝试使用线性SVM进行多类对象类别识别。到目前为止，我所理解的主要是使用了两种方法 - 一对一（OVA）和一对一（OVO）。 但我很难理解其实施。我的意思是我认为使用的步骤是：

• 首先，让我们说SIFT准备功能描述符。所以我有一个128XN的特征向量。
• 接下来为特定物体类别（比如汽车）准备SVM分类器模型，我将50张汽车图像作为正面训练集，并从每个类别中随机抽取50张休息类别图像（这部分是否正确？） 。我为所有这些类别（比如说其中5个）准备了这样的模型。
• 接下来，当我有输入图像时，是否需要将图像输入到所有5个模型中，然后检查每个模型的值（+ 1 / -1）？我很难理解这一部分。

Answer 1

在一对一的方法中，您必须检查所有5个模型。然后，您可以以最自信的价值做出决定。 LIBSVM给出了概率估算值。

在一对一的方法中，你可以占多数。例如，您测试1对2,1对3,1对4和1对5.您将其分为3个案例中的1。你对其他4个班级做同样的事情。假设其他四个类的值为[0, 1, 1, 2]。因此，第1类获得的次数最多，使该类成为最后一类。在这种情况下，您还可以进行概率估算。取最大值。除非在一对中进行分类极其错误，否则这将起作用。例如，在1对4中，它将置信度为4（真正的等级为1），置信度为0.7。然后仅仅因为这一个决定，你的概率估计总数可能会上升并给出错误的结果。这个问题可以通过实验检查。

LIBSVM使用一对一。您可以查看推理here。你也可以阅读this论文，他们在哪里捍卫一个与所有的分类方法，并得出结论，不必然比一个对一个更差。

Answer 2

简而言之，您的积极训练样本总是一样的。在一对一中，你训练n个分类器，其中每个负分类的负样本分别进行。在一个与所有你将所有负面样本混合在一起并训练一个分类器。前一种方法的问题是你必须考虑所有n个结果来决定课程。后一种方法的问题在于，创建一个非同类的类很难处理和分析。