组合图像分类器和专家系统

Question

在图像分类应用程序中包含专家系统是否准确？ （我正在使用Matlab，有一些图像处理经验，没有专家系统的经验。）

我计划做的是添加额外的功能向量，这实际上是对问题的回答。这样好吗？

例如：假设我有两个问题需要答案：Question 1和Question 2。了解这两个问题的答案应该有助于更准确地对测试图像进​​行分类。我理解expert systems与图像分类器的编码方式不同，但我的问题是包含这两个问题的答案是否错误，以数字形式（1可以是，0可以是no）并将这些信息与其他特征向量一起传递给分类器。

如果重要，我当前的分类器是SVM。

关于训练图像：是的，它们也将使用2个额外的特征向量进行训练。

Answer 1

将一组评论转换为答案：

交叉验证的similar question已经解释了只要数据被正确预处理就可以完成。

简而言之：只要训练（和测试）数据得到正确预处理（例如standardized），您就可以将它们组合在一起。标准化改进了大多数线性分类器的性能，因为it scales the variables so they have the similar weight in the learning process和improves the numerical stability (and performance)当变量从类高斯分布中采样时（通过标准化实现）。

这样，如果连续变量是标准化的并且分类变量被编码为(-1, +1)，则SVM应该运行良好。是否会提高分类器的性能取决于那些导管变量的质量。

回答评论中的其他问题..在使用内核SVM时，例如卡方内核，训练数据的行假设表现得像直方图（全部为正，通常为l1-标准化）因此引入(-1, +1)功能会破坏内核。使用 RBF内核，数据行被假设为L2规范化，再次，引入(-1, +1)功能可能会引入意外行为（我不太确定究竟是什么效果会......）。

Answer 2

我处理过类似的问题。如果可以从图像中提取多个要素，则可以使用不同的要素训练不同的分类器。您可以根据他们在培训中使用的功能，将这些分类器视为回答问题的专家。不使用标签作为输出，最好使用置信度值。以这种方式，不确定性非常重要。您可以使用这些专家来生成值。这些值可以组合并用于训练另一个分类器。