如何使HOG特徵向量適應線性svm輸入

Question

我使用HOG爲了通過圖像A提取一組特徵。HOG返回一個特徵的1xN元素向量。 然而，線性SVM只接受每個樣本的2個特徵，即訓練數據矩陣的大小爲Mx2。所以我如何能夠使HOG向量適應線性SVM的訓練。 請幫幫我。 謝謝

Answer 1

你是什麼意思的「線性SVM接受每個樣品只有2個功能」？您可能會對SVM功能如何接受其培訓數據感到困惑。下面是我如何使用它的一個簡單例子：

首先，我們使用fitcsvm使用500個隨機數據樣本（訓練數據矩陣中的行）訓練SVM模型，每個樣本有1000個元素（訓練數據中的列矩陣），其中，第一250個樣本是在級別1（第一250行訓練標籤），而最後250個樣本是在0級（最後250行訓練標籤）：

>> training_data = rand(500, 1000); 
>> training_labels = [ones(250,1); zeros(250,1)]; 
>> 
>> svm_model = fitcsvm(training_data, testing_data) 

svm_model = 

    ClassificationSVM 
     PredictorNames: {1x1000 cell} 
     ResponseName: 'Y' 
      ClassNames: [0 1] 
     ScoreTransform: 'none' 
    NumObservations: 500 
       Alpha: [418x1 double] 
       Bias: 2.3217 
    KernelParameters: [1x1 struct] 
     BoxConstraints: [500x1 double] 
    ConvergenceInfo: [1x1 struct] 
    IsSupportVector: [500x1 logical] 
       Solver: 'SMO' 


    Properties, Methods 

我們可以產生一些10個測試樣本的隨機測試數據，每個樣本有1000個元素，並從中創建一些預測：

>> test_data = rand(10, 1000); 
>> predicted_classes = predict(svm_model, test_data) 

predicted_classes = 

    1 
    1 
    1 
    1 
    1 
    0 
    0 
    0 
    1 
    0 

這是否回答你的問題？