博客内容是随记随写,没有整理。现在将HOG+SVM分类方面的文章做一个目录如下:
- ① 行人检测HOG+SVM:综述、INRIADATA数据集、线性SVM
内容简介:①方法综述
②HOG特征提取原理:三个参数,cell的大小(?×?pixel),Block是几个cell(?×?),每个cell用几个bin表示(0~180°分为多少分,即梯度方向的特征细分程度)
这三个参数在不同数据和TASK中都要用于调参,差别还是有点大的!
见:https://github.com/dpetrini/mnist_compare 90中调参组合,metric有差异。 - ② 行人检测(2)——环境配置:Matlab安装libsvm
- ③ 两个红外数据集:KAIST 和 SCUT的 adas 行人数据集
用于增加数据集:红外数据,截取合适距离的行人,用于分类。 - ④ SVM原理理解
- ⑤ BU-TIV红外数据集
增加数据集用的 - ⑥ FLIR ADAS数据集
增加数据集用的 - 行人检测(4)—— 如何根据自己的数据集分析和优化模型
SVM原理学习:几何间隔|w|max,加上不等式约束,再加上松弛变量间隔,从原问题→对偶问题,max min → min(max),最后只求α的min问题。
SMO是求α问题的方式。但是比较慢。主要是由于w与b的分离导致
liblinear中合并了w和b,速度加快。优化采用TRON
且kernel SVM更慢,特征 + 分类器,越来越多使用线性分类器,而去优化前面的特征提取,前面的工作更重要。所以现在都不用kernel SVM了。优化算法 速度及适用性 libsvm(SVC) SMO dual对偶算法 不适合大规模,数据上万就很慢 liblinear ① primal原问题:坐标下降法
② dual对偶问题:TRON trusted region newton
信赖阈牛顿法
适合大规模数据
且spark中的liblinear更是针对大数据进行了优化
- 红外行人检测HOG+SVM(5)—— 如何根据自己的数据集分析和优化模型
增加数据集,增加数据。 - 红外行人检测HOG+SVM(6)——定指标
定指标、正负样本的问题!!! - 红外行人检测HOG+SVM——HOG学习
以及一些拒识别和误识别的情况! - HOG+SVM——多分类 多尺度问题探析 多分类问题
- SVM多分类原理学习
- 行人和车辆的分类——数据集分类
- 数据集随机+比例分为训练集和测试集:并分别存为文件夹
- 红外图像处理——制作切片数据集
- 行人和车辆检测的一些资料阅读——如何解决多尺度的问题?
- 基于SVM的图像分类——一些注意事项
- 基于SVM的cifar10分类