HOG+SVM——多分类

最新推荐文章于 2022-08-25 00:04:18 发布

_helen_520

最新推荐文章于 2022-08-25 00:04:18 发布

阅读量2.4k

点赞数 2

本文链接：https://blog.csdn.net/haronchou/article/details/106326672

版权

由于需要进行行人和车辆检测，那么如何将行人和车辆一起进行多分类呢？

由于先考虑了行人检测的问题，行人检测通常suppose长宽比为2:1，那么目标检测后的切片就得为2:1，涉及到对其他目标进行padding的问题。其他目标或车辆的size不是2:1，该如何处理？因为做成2:1才不会改变长宽比，不是产生拉升等变形。这就是在实际项目中遇到的尺度问题！
办法一：从环境中截取2:1，即将目标的周围截取进去成2:1 风险：周围环境因素进去太多，对HOG有影响
办法二：padding其他切片为2:1. 风险：对车辆识别的时候是否存在问题？边界处的HOG特征是否对分类有影响？
小因素太多，到底这些小因素对最后的影响是多少，其实说不清楚，必须要找证据来说明，其影响真的很大时那就一定要做处理，现在都是猜测，在试探性地处理！这样的工作节奏不太好，需要转变！But how？

该如何考虑SVM多分类的问题？

libsvm可以处理多分类的问题，how？
- 三种方法：one-vs-rest，类别不均衡。one-vs-one，libsvm就是这样做的，不适合分类过多的情况。因为需要成pairs的训练方式，需要训练k(k-1)/2个模型。
相关的多分类demo是怎么处理不同的多分类问题的，多分类问题中的尺度问题是如何考虑和处理的？
udacity的项目中有一个车辆检测的，可以看一下是怎么做的 https://github.com/udacity/CarND-Vehicle-Detection
https://blog.csdn.net/dalong_95/article/details/89114604

总结：

SVM的特征数量比样本数量大得多时，容易过拟合。因此要选择核函数和正则化避免过拟合。https://www.studyai.cn/modules/svm.html

SVM本身是对付二分类问题的，所以在处理多分类的时候需要进行必要的改造。

同样是二分类的情况，logistic回归可以直接拓展为softmax多分类。但是SVM如果直接在目标函数上进行修改的话，就是将多个分类面的参数求解合并到一个最优化问题上，显然难度太大，目前也没有任何实际操作的方法。

二、SVM多分类间接实现

1、1-V-rest：将某一类归为正类，其余全部是负类。

该方法的最大缺陷是数据集的不平衡，因为某一类的实例往往只占一小部分。当然解决不平衡的问题可以进行降采样或者上采样，但是上采样中数据集过多重合，易导致过拟合，而降采样使得数据利用率不足，不能学习整个模型的特性。

2、1-V-1：k类的数据集中，单独为每两类的样本设计SVM，进行分类。最终必须设计k(k-1)/2个分类器，最终用投票的方式进行选择。这也是libsvm采用的方法，但是当类别有1000个的时候、、、

3、根据前两种方法的比较，可以看出就性能而言宁愿多做点事情，也要保证避免过拟合或者预测能力不足的情况，所以大部分情况下第二种方法更优。但是第二种成本太大，所以有了第三种方法，类似于SVM的二叉树组合，在论文《基于SVM的二叉树多类分类算法及其在故障诊断中的应用》中，

如果类别为k个，那么最后只需要k-1个分类器。

该模型的最大缺点就是如果某一层中的分类出错了，那么后面的分类器只能将错就错。所以选择差别大的两类在前，差别小的类在后。

SVM调参经验：

关注