Matlab 结合图像分类器和专家系统

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

我计划做的是添加一个额外的特征向量，它实际上是一个问题的答案。这样好吗

例如：假设我有两个问题需要答案：

问题1

和

问题2

。了解这两个问题的答案有助于更准确地对测试图像进行分类。我理解

专家系统

的编码不同于图像分类器，但我的问题是，以数字形式包含这两个问题的答案（1可以是肯定的，0可以是否定的）并将此信息与其他特征向量一起传递到分类器中会不会是错误的

如果重要的话，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。

将一组注释转换为答案：

交叉验证中的一个例子已经解释说，只要数据经过适当的预处理，就可以进行交叉验证

简而言之：只要训练（和测试）数据经过适当的预处理（例如），就可以将它们结合起来。标准化提高了大多数线性分类器的性能，因为当变量从类高斯分布中采样时（这是通过标准化实现的）

这样，如果连续变量被标准化，分类变量被编码为

（-1，+1）

，那么支持向量机应该工作得很好。它是否会改善分类器的性能取决于这些阴极变量的质量

---

回答评论中的另一个问题。。当将核SVM与例如卡方核一起使用时，假设训练数据行的行为类似于直方图（均为正，通常为l1归一化），因此引入

（-1，+1）

特征会破坏核。使用RBF内核假设数据行是L2规范化的，再次，引入

（-1，+1）

特性可能会引入意外行为（我不太确定具体效果是什么）。

将一组注释转换为答案：

交叉验证中的一个例子已经解释说，只要数据经过适当的预处理，就可以进行交叉验证

简而言之：只要训练（和测试）数据经过适当的预处理（例如），就可以将它们结合起来。标准化提高了大多数线性分类器的性能，因为当变量从类高斯分布中采样时（这是通过标准化实现的）

这样，如果连续变量被标准化，分类变量被编码为

（-1，+1）

，那么支持向量机应该工作得很好。它是否会改善分类器的性能取决于这些阴极变量的质量

---

回答评论中的另一个问题。。当将核SVM与例如卡方核一起使用时，假设训练数据行的行为类似于直方图（均为正，通常为l1归一化），因此引入

（-1，+1）

特征会破坏核。使用RBF内核假设数据行是L2规范化的，再次，引入

（-1，+1）

特性可能会引入意外行为（我不太确定确切的效果会是什么。）

我研究过类似的问题。如果可以从图像中提取多个特征，则可以使用不同的特征来训练不同的分类器。您可以将这些分类器视为根据其在培训中使用的功能回答问题的专家。与其使用标签作为输出，不如使用置信值。以这种方式，不确定性可能非常重要。您可以使用这些专家生成值。这些值可以组合并用于训练另一个分类器

我研究过类似的问题。如果可以从图像中提取多个特征，则可以使用不同的特征来训练不同的分类器。您可以将这些分类器视为根据其在培训中使用的功能回答问题的专家。与其使用标签作为输出，不如使用置信值。以这种方式，不确定性可能非常重要。您可以使用这些专家生成值。这些值可以组合并用于训练另一个分类器

视情况而定。你的其他特点是什么？其他特性是如何规范化的？你在SVM中使用哪个内核？作为一个简短的回答，请看一看中提出的相同问题。其他功能是来自Matlab的

graycoprops

的纹理细节。不，它们不是标准化的。SVM使用默认的线性核。然后，只要对纹理特征进行标准化（每列减去平均值并除以其标准偏差），并将二进制变量编码为

（-1，1）

，线性SVM应该表现良好（作为链接问题状态的答案）。它是否会提高您的性能取决于这些二进制变量的质量。谢谢！你能告诉我，如果我对我的SVM使用不同的内核，或者如果我没有标准化这些值，为什么会出现问题吗？这取决于。你的其他特点是什么？其他特性是如何规范化的？你在SVM中使用哪个内核？作为一个简短的回答，请看一看中提出的相同问题。其他功能是来自Matlab的

graycoprops

的纹理细节。不，它们不是标准化的。SVM使用默认的线性核。然后，只要对纹理特征进行标准化（每列减去平均值并除以其标准偏差），并将二进制变量编码为

（-1，1）

，线性SVM就会表现良好（与answe一样）