Tamam, HoG özelliklerini kullanmanın gördüğüm neredeyse tüm uygulamalar, sınıflandırıcı olarak linear svm kullanıyor. Birisi bana neden lineer svm'nin seçildiğini ve neden iyi performans verdiklerini açıklayabilir mi?Doğrusal svms neden HoG tanımlayıcılarıyla iyi çalışır?
Lineer svm seçiliyor çünkü polinom veya gauss çekirdeği kullanan ve bu çekirdekleri kullanmak daha basit ve daha kolay antrenman yapmak, daha iyi bir performans göstermiyor mu?
Doğrusal veya Doğrusal olmayan bir HOG veya başka bir özellik değildir. Örneklerin sayısı + kümelerin sayısı + özellik boyutlarının sayısıyla ilgilidir. Genel olarak Linear modelleri, örneklerden daha fazla özellik boyutu dahil olmak üzere veri kümeleri için tercih edilir. Eğer durum tersine dönerse, doğrusal olmayan benzer çekirdek SVM'ye gitmelisiniz, çünkü verilerinizi tekrar tekrar örneklerle temsil edilen başka bir alana yansıtın.
Çoğu durumda, görüntülere HOG uygulayarak çok sayıda özellik boyutu elde edersiniz. Bu nedenle sadece doğrusal modelleri kullanabilirsiniz. Ancak 100000 ... sınıflarınız ve 10000000 ... görüntüleriniz varsa, HOG + Linear modelinde sorun olmayacaktır. Örneğin, hiç kimse ImageNet yüklemesinde HOG'yi lineer SVM ile kullanmaz.
Şahsen Histogram of Gradients'la hiç çalışmadım, fakat sizin durumunuzda, HoG verilerinizin doğrusal olarak ayrımcılık yapıp yapmadığını değerlendiririm. Herkesin HoG için lineer bir sınıflandırıcı kullanması durumunda bunu yapmalısınız diye düşünmem. Bu iddiayı eleştirel olarak değerlendirin.
Bunu deneyin: LDA kullanarak bir HoG veri kümesi oluşturun ve sonra dönüştürülmüş özellik alanının bir dağılım grafiğini yapın. Sınıflar arasında ayrım yapmak için maksimum kenarlıklı hiperdüzlem (ler) kullanmanın mümkün olup olmadığını kontrol edin.
Gerçekten önemli olan hızdır. Çekirdek SVM, kullandığınız özellik ne olursa olsun, algılamada daha iyi performans elde edebilir. Ancak çekirdeğin SVM, özellikle sınıflandırıcının değerlendirildiği sürgülü pencere detektörleri için zaman alıcıdır. Böylece, nesne tespitinde genellikle doğrusal SVM seçilir. HOG nesne tespiti için iyi bir tanımlayıcıdır ve lineer SVM ile iyi bir performans elde edilebilir. Hesaplama karmaşıklığı dikkate alınmazsa, çekirdekli SVM ile daha iyi performans beklenebilir. adlı fazla bilgi okumak dergi kağıdı için
, "Why do linear SVMs trained on HOG features perform so well?" Hilton Bristow, Simon Lucey (2014) iyi bir performans ile her zaman gelmiyor doğrusal olmayan çekirdek ile
Eğitim. Doğrusal olmayan çekirdek bazı zamanlarda aşırı eğitim ve dolayısıyla kötü test performansına yol açabilir. Bu, bazen verilerinizin ne kadar karmaşık olduğuyla ilgilidir. Genellikle, bir RBF çekirdeği ile kombinasyon halinde karmaşık veriler test doğruluğuna zarar verebilir (örnek nesnelerin dışında model genellemeyi eğitme değil, aşırı yüklenme). Dolayısıyla, çekirdek kararı ve bunların iyi bir şekilde kalibre edilmesi performansı önemli ölçüde etkileyebilir. Umarım bu yardımcı olur! – Darkmoor
@endif İlginç bir soru. Bunu deneyin: "HOG özelliklerinde neden eğitimli doğrusal SVM'ler bu kadar iyi performans gösteriyor?" http://arxiv.org/abs/1406.2419 – Bull