我正在尝试对足球场上的码数进行分类。我能很好地发现它们(不同的方法)。我在十位上画了一个最小的边界框1 2 3 4 5。我的目标是对它们进行分类。
我一直在尝试用我从训练集中提取的hog特征来训练SVM分类器。我的训练数字的一小部分在这里:http://ssadanand.imgur.com/all/
在训练时，我想象我的猪描述符，它们看起来是正确的。我使用64X128的训练窗口和OPencv的HOGDescriptor使用的其他默认参数。
一旦我训练了我的图像(每个类50个样本，5个类)，我有一个250X3780训练向量和1X250标签向量，其中包含我提供给CvSVM对象的类标签值。这就是我遇到问题的地方。
我尝试使用默认的CvSVMParams()，而使用CvSVM。在训练集上测试时的糟糕表现!
我尝试自定义我的CvSVMPARAMS:
CvSVMParams params = CvSVMParams();
params.svm_type = CvSVM::EPS_SVR;
params.kernel_type = CvSVM::POLY;
params.C = 1; params.p = 0.5; params.degree = 1;
和这些参数的不同变化，我的SVM分类器即使在训练集上测试也是非常糟糕的!
有人能帮我参数化我的SVM为这5类分类器吗?我不明白这个问题必须使用哪个内核和svm类型。还有，我怎么才能求出svm的c p度呢?
我认为这是一个非常简单的分类问题，因为我所有的对象都很好地限定在一个盒子里，分辨率相当好，而且类别(即数字1、2、3、4、5)在外观上是相当独特的。我不明白为什么我的支持向量机做得这么差。我遗漏了什么?
先验地，没有实验，很难给你一些好的参数，但我可以给你一些想法。
首先，你想要建模一个多类分类器，但你正在使用回归算法，并不是说你不能这样做，而是如果你先从C-SVM开始，通常会更容易。
第二，我建议使用RBF而不是多项式核。Poly很难得到正确的，通常RBF会做得更好。
第三，我会尝试几个C值，不要害羞，尝试更大的C(如100)，这将迫使算法选择更多的sv。这可能会导致过拟合，但如果你甚至不能让算法学习训练集，那就不是你的直接问题了。
我强烈建议你阅读LibSVM指南，它非常容易理解http://www.csie.ntu.edu.tw/~cjlin/papers/guide/guide.pdf
希望有帮助!
编辑:我忘了说，为SVM选择参数的一个好方法是执行交叉验证:http://en.wikipedia.org/wiki/Cross-validation_(statistics)
http://www.autonlab.org/tutorials/overfit10.pdf http://www.youtube.com/watch?v=hihuMBCuSlU http://www.youtube.com/watch?v=m5StqDv-YlMEDIT2:
我知道这很傻，因为它在问题的标题上，但我没有意识到你在使用HOG描述符，直到你在评论中指出。