OpenCV SVM始终预测更高级别的标签

时间:2015-11-17 11:09:27

标签: c++ opencv machine-learning svm

我正在使用OpenCV SVM实现来二元预测图像特征的重要性。因此,我正在对正面和负面图像特征进行训练,并在{0,1}中寻找分类。

我遇到的问题是,在训练之后,SVM总是使用更高/更高的类标签来预测类。我可以更改训练数据集的标签,这个问题仍然存在。我仔细检查了生成的标签和训练cv :: Mat矩阵,但没有发现任何问题。

以下是我的SVM类和附带的SVM参数

//Populate the SVM parameters
void SVM::setSVMParams()
{
    params.svm_type = cv::SVM::C_SVC;
    params.kernel_type = cv::SVM::RBF;
    params.term_crit = cv::TermCriteria(CV_TERMCRIT_ITER, 100, 1e-6);

    params_set = true;
}

//Train the SVM with the given data
void SVM::train(cv::Mat train_data, cv::Mat labels)
{
    //Set the SVM parameters if they haven't been already
    if (!params_set)
    {
        setSVMParams();
    }

    svm.train(train_data, labels, cv::Mat(), cv::Mat(), params);
}

//Based on training, predict the class of the given data
float SVM::predict(cv::Mat sample)
{
    return svm.predict(sample, false);
}

这是负责生成训练数据和相应标签的功能

//Creates the appropriate training data and class labels for subsequent SVM training according to supplied D threshold
void Matchings::createSVMTrainingObjects(const float t_D, const float positive_label, const float negative_label, bool print_info)
{
    cv::Mat train_data_l((int)matchings_list.size(), 132, CV_32FC1);
    cv::Mat labels_l((int)matchings_list.size(), 1, CV_32FC1);

    int num_pos = 0;
    int num_neg = 0;

    for (int i = 0; i < matchings_list.size(); i++)
    {
        matching_d entry = matchings_list[i];

        //Important feature, label 1
        if (entry.D > t_D)
        {
            labels_l.at<float>(i) = positive_label;

            num_pos++;
        }
        //Unimportant feature, label -1
        else
        {
            labels_l.at<float>(i) = negative_label;

            num_neg++;
        }

        int j = 0;

        //Copy feature into current row of openCV matrix
        train_data_l.at<float>(i, j++) = entry.feature.x;
        train_data_l.at<float>(i, j++) = entry.feature.y;
        train_data_l.at<float>(i, j++) = entry.feature.scale;
        train_data_l.at<float>(i, j++) = entry.feature.angle;
        for (int k = 0; k < 128; k++)
        {
            train_data_l.at<float>(i, j + k) = entry.feature.vec[k];
        }
    }

    std::cout << "For training: #+ves=" << num_pos << ", #-ves=" << num_neg << std::endl;

    train_data = train_data_l;
    labels = labels_l;
}

最后,这是实际调用SVM预测结果以保留重要图像特征的函数

matchingslist ASIFT::filterFeaturesWithSVM(matchingslist matchings, SVM& svm)
{
    matchingslist new_matchings;

    for (int i = 0; i < (int)matchings.size(); i++)
    {
        cv::Mat first = Utility::keypointToMat(matchings[i].first);
        cv::Mat second = Utility::keypointToMat(matchings[i].second);

        //If both features are of importance, retain them
        if (svm.predict(first) == 1.0f && svm.predict(second) == 1.0f)
        {
            new_matchings.push_back(matchings[i]);
        }
        else
        {
            std::cout << "Feature removed" << std::endl;
        }
    }

    return new_matchings;
}

1 个答案:

答案 0 :(得分:6)

该方法的一个主要问题是您在使用RBF时没有设置SVM的超级参数,因此可能Example::StringSetVectorC=1(或gamma=1/d)因为这些是默认值大多数SVM实现中的值。

虽然这些对于构建有效模型至关重要。特别是,如果您的1/mean ||x||^2值过低(C可能依赖于数据的许多功能),则SVM会构建一个简单的模型,只需始终预测其中一个类

你应该怎么做?您应该检查1C的多个值。这些参数的含义是什么?

  • gamma(您的C)是错误分类的权重 - 1越大,SVM将更加努力地学习训练数据,可能会以过度拟合为代价。
  • C(您的默认值)是您的RBF内核的2倍方差的倒数。换句话说 - 伽玛越大,高斯越小,因此 - 你的方法在几何意义上更“局部”。再次 - 大伽玛可以帮助您最小化训练误差(偏差),但会导致更高的测试误差(方差)。

正确选择方差偏差之间的权衡是机器学习技术的关键要素。在RBF SVM的情况下 - 您可以通过上述控制它。与他们一起玩,检查训练集错误和测试集错误,看看发生了什么。如果你的训练集误差很大 - 增加C和/或伽玛。一旦您的训练集错误很好,请查看测试集 - 如果它太大 - 尝试降低值等等。它通常通过一些内部交叉验证以及参数的网格搜索以自动方式完成。

查看模型选择超参数优化上的资料。

此外,您修复了迭代次数

gamma

而对于SVM,你永远不应该这样做。让它收敛(或者至少放一些像100,000这样的东西),经过100步后,可能就是SVM没有接近收敛的情况(因此导致了琐碎的模型)。