HOG SVM系列 文章目录

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. 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. ② 行人检测（2）——环境配置：Matlab安装libsvm
3. 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. ④ SVM原理理解
5. ⑤ BU-TIV红外数据集
   增加数据集用的
6. ⑥ FLIR ADAS数据集
   增加数据集用的
7. 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

   	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

   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。
8. 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。
9. 红外行人检测HOG+SVM（6）——定指标
   定指标、正负样本的问题！！！
10. 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！
11. HOG+SVM——多分类 多尺度问题探析 多分类问题
12. SVM多分类原理学习
13. 行人和车辆的分类——数据集分类
14. 数据集随机+比例分为训练集和测试集：并分别存为文件夹
15. 红外图像处理——制作切片数据集
16. 行人和车辆检测的一些资料阅读——如何解决多尺度的问题？
17. 基于SVM的图像分类——一些注意事项
18. 基于SVM的cifar10分类