Matlab 基于gist和SVM训练的图像分类

首先，我想说，我对简历真的很陌生，可能有一些明显的事情我没有想到，所以请不要犹豫，提及这类事情

我正在尝试实现场景分类，为了简单起见，目前在室内和室外图像之间

我的想法是使用一个gist描述符，它创建一个带有场景特定参数的向量

为了获得可靠的分类，我使用了室内和室外图像，每个图像100个样本，使用了gist描述符，用它们创建了一个训练矩阵，并在上面使用了“svmtrain”。下面是一个非常简单的代码，显示了我是如何训练gist向量的：

train_label= zeros(size(200,1),1);
train_label(1:100,1) = 0;         % 0 = indoor
train_label(101:200,1) = 1;        % 1 = outdoor

training_mat(1:100,:) = gist_indoor1;
training_mat(101:200,:) = gist_outdoor1;
test_mat = gist_test;

SVMStruct = svmtrain(training_mat ,train_label, 'kernel_function', 'rbf', 'rbf_sigma', 0.6);
Group       = svmclassify(SVMStruct, test_mat);

问题是结果非常糟糕

我读到优化“rbf”kernell的约束和gamma参数可以改进分类，但是：

我不知道如何使用多维数据向量进行优化（在2D中，而我的是512），有没有建议如何开始

我可能完全错了方向，请指出是否是这样

编辑： 谢谢你，黑暗门！我将尝试使用这个工具箱进行校准，并可能尝试改进我的特征提取。 希望当我有一个工作分类，我会张贴在这里

编辑2:忘记更新，通过从SUN数据库中获取室内和城市室外图像的主要描述符，并使用libsvm工具箱使用优化参数进行训练，在我公寓和外面街道的图片上测试模型时，我成功地实现了95%的分类率

我对数据库中的城市室外场景和自然场景也做了同样的测试，并且在我国的各种场景上进行测试时达到了类似的精度

我用来创建数据矩阵的代码取自，只做了很小的修改：

% GIST Parameters:
clear param
param.imageSize = [256 256]; % set a normalized image size
param.orientationsPerScale = [8 8 8 8]; % number of orientations per scale (from HF to LF)
param.numberBlocks = 4;
param.fc_prefilt = 4;

%Obtain images from folders
sdirectory = 'C:\Documents and Settings\yotam\My Documents\Scene_Recognition\test_set\indoor&outdoor_test';
jpegfiles = dir([sdirectory '/*.jpg']);

% Pre-allocate gist:
Nfeatures = sum(param.orientationsPerScale)*param.numberBlocks^2;
gist = zeros([length(jpegfiles) Nfeatures]); 

% Load first image and compute gist:
filename = [sdirectory '/' jpegfiles(1).name];
img = imresize(imread(filename),param.imageSize);
[gist(1, :), param] = LMgist(img, '', param); % first call
% Loop:
for i = 2:length(jpegfiles)
   filename = [sdirectory '/' jpegfiles(i).name];
   img = imresize(imread(filename),param.imageSize);
   gist(i, :) = LMgist(img, '', param); % the next calls will be faster
end

我建议你使用它是非常有效的。libsvm的相关帖子。您提到的相关Matlab库也可以使用相同的逻辑

你的逻辑是正确的。提取特征并尝试对其进行分类。无论如何，不要期望分类器的校准会返回巨大的差异。关键的想法是，结合分类器校准，对结果中的巨大差异进行特征提取；）

祝你好运。

我不同意你的观点，但不要期望你的分类器校准会返回巨大的差异。在rbf支持向量机中设置正确的C和sigma参数是至关重要的，并且可以导致精度的任何变化。事实上，我说过我们不期望分类器的校准会返回巨大的差异，这是指用户对非常糟糕的结果的评论。这意味着分类器本身无法创造奇迹。一开始，用户就特别提到了分类器。谢谢你的评论。