Question

我一直在尝试使用OpenCV实现ensemble of exemplar SVM。超出它的一般想法是，给定K个训练样本（例如，汽车图像），可以训练K个SVM，其中每个SVM使用一个正样本和K-1个负面训练。在测试时间，整体将激发K次，最高分是最好的预测。

为实现这一点，我正在使用OpenCV SVM实现（在编写时使用当前的GIT master - 3.0）和C ++接口。作为功能，我使用的是HOG，响应大小为7000。因此，每个图像具有7000D特征向量。

我面临的问题是各种SVM无法正常训练。实际上，他们根本不训练！事实上，训练执行速度非常快，每个SVM总是返回1个支持向量，alpha = 1.0。我不确定这是否是由于我有一个正面与多个（> 900）底片，或者它只是我的代码中的一个错误。然而，经过几次看，我无法发现任何明显的错误。

这就是我设置问题的方法（假设我们得到了整个数据集的HOG响应并将它们放在std :: vector＆gt; trainingData中）。请注意，EnsambleSVMElement是一个持有SVM的结构以及一堆其他信息。

简而言之：我设置了一个训练矩阵，其中每一行都包含特定样本的HOG响应。然后我开始分别训练每个SVM。对于每次训练迭代，我创建一个标签向量，其中每个条目设置为-1（负样本），除了与我正在训练的当前SVM关联的条目设置为1（因此，如果我正在训练条目100，则只有正面标签才会出现在标签[100]上。

培训代码

int ensambles = trainingData.size();

if(ensambles>1)
{
    //get params to normalise the data in [0-1]
    std::vector<float> mins(trainingData.size());
    std::vector<float> maxes(trainingData.size());

    for(int i=0; i<trainingData.size(); ++i)
    {
        mins[i] =   *std::min_element(trainingData[i].begin(), trainingData[i].end());
        maxes[i] =  *std::max_element(trainingData[i].begin(), trainingData[i].end());
    }

    float min_val = *std::min_element(mins.begin(), mins.end());
    float max_val = *std::min_element(maxes.begin(), maxes.end());
    int featurevector_size = trainingData[0].size();

    if(featurevector_size>0)
    {
        //set-up training data. i-th row contains HOG response for sample i
        cv::Mat trainingDataMat(ensambles, featurevector_size, CV_32FC1); 
        for(int i=0; i<trainingDataMat.rows; ++i)
            for(int j=0; j<trainingDataMat.cols; ++j)
                trainingDataMat.at<float>(i, j) = (trainingData.at(i).at(j)-min_val)/(max_val-min_val); //make sure data are normalised in [0-1] - libSVM constraint

        for(int i=0; i<ensambles; ++i)
        {
            std::vector<int> labels(ensambles, -1);
            labels[i] = 1; //one positive only, and is the current sample
            cv::Mat labelsMat(ensambles, 1, CV_32SC1, &labels[0]);
            cv::Ptr<cv::ml::SVM> this_svm = cv::ml::StatModel::train<SVM>(trainingDataMat, ROW_SAMPLE, labelsMat, svmparams);
            ensamble_svm.push_back(EnsambleSVMElement(this_svm));   
            Mat sv = ensamble_svm[i].svm->getSupportVectors();
            std::cout << "SVM_" << i << " has " << ensamble_svm[i].svm->getSupportVectors().rows << " support vectors." << std::endl;
        }
    }
    else
        std::cout <<"You passed empty feature vectors!" << std::endl;
}
else
    std::cout <<"I need at least 2  SVMs to create an ensamble!" << std::endl;

cout总是打印＆＃34; SVM_i有1个支持向量＆＃34;。

为了完整性，这些是我的SVM参数：

cv::ml::SVM::Params params;
params.svmType    = cv::ml::SVM::C_SVC;
params.C           = 0.1;
params.kernelType = cv::ml::SVM::LINEAR;
params.termCrit   = cv::TermCriteria(cv::TermCriteria::MAX_ITER, (int)1e4, 1e-6);

在0.1和1.0之间改变C不会影响结果。也没有为样本设置权重，如here所示。仅供参考，这就是我设置权重的方式（对负数的重大惩罚）：

cv::Mat1f class_weights(1,2); 
class_weights(0,0) = 0.01; 
class_weights(0,1) = 0.99; 
params.classWeights = class_weights;

在我的代码或我的问题表达中，显然存在一些错误。谁能发现那个？

谢谢！

Answer 1

你有进步吗？我的猜测是你的C参数太低，尝试更大的值（10,100,1000）。另一个重要方面是，在Exemplar SVM框架中，培训阶段并非如此简单。作者在训练步骤和艰难的负面挖掘步骤之间进行交替，以使训练阶段更有效。如果您需要比Exemplar-SVM文章中报告的更多详细信息，您可以查看Malisiewicz博士论文：http://people.csail.mit.edu/tomasz/papers/malisiewicz_thesis.pdf

Answer 2

我认为你这里有一个小错误：第二行，我认为它应该是

*std::max_element(...), not *std::min_element(...)

 float min_val = *std::min_element(mins.begin(), mins.end());
 float max_val = *std::min_element(maxes.begin(), maxes.end());

OpenCV - 示例SVM的集合

2 个答案: