我正在尝试使用线性支持向量机进行多类对象类别识别。到目前为止，我了解到主要使用两种方法 - 一对一（OVA）和一对一（OVO）。
但我很难理解它的实现。我的意思是我认为使用的步骤是：
- 首先，特征描述符是通过 SIFT 准备的。所以我有一个 128XN 的特征向量。
- 接下来，为特定对象类别（例如汽车）准备 SVM 分类器模型，我将 50 张汽车图像作为正训练集，并从每个类别中随机抽取其余类别的总共 50 张图像（这部分正确吗？）。我为所有此类类别（比如其中 5 个）准备了此类模型。
- 接下来，当我有输入图像时，我是否需要将图像输入到所有 5 个模型中，然后检查每个模型的值 (+1/-1)？我很难理解这部分。
在一对多方法中，您必须检查所有 5 个模型。然后你就可以做出最有信心值的决定。LIBSVM给出概率估计。
在一对一的方法中，你可以占据多数。例如，您测试 1 vs. 2、1 vs. 3、1 vs. 4 和 1 vs. 5。您将其分类为 3 例中的 1 例。您对其他 4 个类执行相同的操作。假设其他四个类别的值为[0, 1, 1, 2]。因此，第1类获得次数最多，因此该类为最终类。在这种情况下，您还可以进行总概率估计。取最大值。除非在一对中分类出现严重错误，否则这种方法是有效的。例如，在 1 vs. 4 中，它以 0.7 的置信度对 4 进行分类（真实类别为 1）。那么仅仅因为这一决定，你的概率估计总数可能会猛增并给出错误的结果。这个问题可以通过实验来检验。
LIBSVM 使用一对一的方式。你可以检查一下推理过程here。你可以阅读this他们也在论文中捍卫了一种与所有的分类方法并得出结论认为它是not必然比一对一更糟糕。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
