对于我的svm培训和预测，我使用vl_svmtrain，其文档可在此处找到：http://www.vlfeat.org/matlab/vl_svmtrain.html
[W B] = VL_SVMTRAIN（X，Y，LAMBDA）训练线性支持向量 来自数据矢量X和标签Y.X的机器（SVM）是D乘N. 矩阵，每个示例有一列和D要素尺寸（SINGLE 或双倍）。 Y是一个DOUBLE向量，N个元素带有二进制（-1或 +1）每个训练点的标签。
根据文档，数据X必须是D×N矩阵，每列一个样本。
事情是我的数据根本没有这样安排，我认为即使我想要也可以这样安排。我的每个图像都由大小为512 * 257的特征矩阵表示，这些特征矩阵存储在一个单元格中。同样，每个测试图像的大小也相同。
因此，为了简化起见，我假设我只有3个类，每个类都由大小为512 * 257的模型表示，我有成千上万的测试，我必须再次比较每个模型，更像是一个与所有方法。但它的数据安排我遇到了困难。
是否可以以单元格式而不是矩阵格式将数据呈现给SVM？
更新
我提到的单元阵列由28个模型组成。所以我总共有28个类，每个类由一个大小为512 * 257的数组表示。写models(1)呈现ans = [512x257 double]并撰写models{1}会产生512*257双矩阵。
这是我用来训练SVM的方法，类似地，每个测试也具有相同的尺寸，并且采用相同的布置。
我如何为每个模型获得此矩阵？我从每个类/模型的100个图像中提取RootSIFT功能。然后我将这些特征呈现给高斯混合模型脚本，并将簇的数量设置为512.这给了我512个簇的均值，协方差和权重。然后我使用models{i} = [gmm_models{i}.w(:) gmm_models{i}.mu' gmm_models{i}.sigma'];
对于测试，从5个图像中提取RootSIFT特征，然后它们经历与模型相同的过程以获得相同大小的级联矩阵。因此，每个模型自然会有数百个测试矩阵。
我希望这比以前更清楚了。
答案 0 :(得分：1)
除了它所谈论的vl_svmtrain矩阵之外，没有办法将数据表示给D x N方法。但是，您可以执行的操作是展开单元格数组并转换每个要素矩阵，使其变为列向量。然后，您将构造矩阵，使每个列向量表示单个要素矩阵，并在宽度方向上连接这些列向量，以生成最终的D x N矩阵。
因此，您可以进行一些预处理以获得所需的矩阵X。首先，展开您的单元阵列，使其成为一个3D矩阵，其中每个切片是一个特征矩阵。然后，重塑该矩阵，使每个切片成为最终2D矩阵的单个列。因此，假设您的单元格数组存储在A：
X_3D = cat(3, A{:});
X = reshape(X_3D, size(X_3D,1)*size(X_3D,2), []);
X将包含我们谈到的最终2D矩阵。请记住，每个要素矩阵将在列的基础上展开。这意味着对于您拥有的每个要素矩阵，列都相互堆叠，以便为输出2D矩阵创建单个列。您现在可以使用X作为vl_svmtrain的输入。
但是，我会给你一个公平的警告，因为每一栏在技术上都是512 x 257 = 131584元素。如果您有1000个特征矩阵，由于内存要求，此矩阵可能无法用于vl_svmtrain。因此，您可能必须对要素矩阵进行子采样，或者使用减少数量的要素矩阵进行输入。