Я запутался в том, как я должен использовать метод «извлечения признаков». Я хочу использовать SVM для применения «Распознавания объектов» в изображениях. В примерах Emgu есть образец, который содержит XML-файл, содержащий функции кошки! и я уже неделю пытаюсь узнать, как они это сделали и какие методы использовали, и я наткнулся на эту страницу http://experienceopencv.blogspot.com/2011/02/learning-deformable-models-with-latent.html, отображающий шаги! Это так сложно, плюс я не смог бы сделать это сам, я так потерялся !! Может ли кто-нибудь сказать мне подходящий метод «извлечения признаков», совместимый с обучением SVM? У Accord есть пример SVM, но он написан от руки и не работает с цветными изображениями = (любые полезные ссылки? спасибо
Как извлечь признаки из изображения для классификации и распознавания объектов?
17.02.2012
Ответы:
1
все методы извлечения функций совместимы с svm... вам просто нужно выбрать один... выберите один и получите функции, а затем введите эти функции в svm... объяснение того, что такое извлечение функций, находится здесь http://en.wikipedia.org/wiki/Feature_extraction
22.02.2012
2
Вам нужно сосредоточиться на фильтре Габора, который представляет собой расширенный экстрактор для распознавания лиц и объектов.
19.08.2012
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально
Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение
Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования
Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv)
Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..