提取图像属性

Question

我正在做一个计算机视觉项目，我需要一些帮助。 我的项目的目标是提取任何物体的属性 - 例如，如果我有一个耐克跑鞋，我应该能够弄清楚它是一个鞋子，然后弄清楚它是一个耐克鞋而不是阿迪达斯的鞋子（可能是因为耐克蜱），然后弄清楚它是一个跑鞋而不是足球鞋钉。

我开始将此视为图像分类问题，我使用以下步骤：

1. 我已经采用了训练样本（每个约60个）说鞋子，高跟鞋，手表，并使用Dense SIFT提取他们的特征。
2. 使用k-means聚类创建词汇表（任意选择词汇表大小为600）。
3. 为图像创建Bag-Of-Words表示。
4. 训练SVM分类器以获得每个类别（鞋子，鞋跟，手表）的词袋（特征向量）。
5. 为了测试，我提取了测试图像的特征向量，并从已创建的词汇表中找到了它的词袋表示。
6. 我将测试图像的词袋与每个类的词组进行了比较，并返回了最接近的类。

我想知道如何从这里开始？使用D-SIFT进行特征提取是否可以帮助我识别属性，因为它只代表某些点周围的梯度？

有时，我的分类出错了，例如，如果我使用左鞋和手表的图像训练分类器，右鞋被归类为手表。我知道我必须在我的训练集中加入合适的鞋来解决这个问题，但我还有其他方法吗？

还有什么方法可以理解形状吗？例如，如果我已经训练了手表的分类器，并且训练集中有带圆形和矩形表盘的手表，我可以识别任何新测试图像的形状吗？或者我是否只为带有圆形和矩形表盘的手表单独训练？ 谢谢