我正在尝试对足球场上的码数进行分类。我能够很好地检测到它们(不同的方法)。我在十个位数“1,2,3,4,5”周围画了一个最小的边界框。我的目标是对它们进行分类。
我一直在尝试根据我从训练集中提取的生猪特征训练SVM分类器。我的训练数字的一小部分在这里:http://ssadanand.imgur.com/all/
训练时，我可以看到我的生猪描述符，看起来很正确。我使用64X128训练窗口和OPencv的HOGDescriptor使用的其他默认参数。
训练完图像(每个类别50个样本，五个类别)后，我将获得250X3780训练 vector 和1X250标签 vector ，其中包含我提供给CvSVM对象的类别标签值。这是我有问题的地方。
我在使用CvSVM时尝试使用默认的CvSVMParams()。在训练台上测试时表现糟糕!
我尝试这样做来自定义CvSVMPARAMS:
CvSVMParams params = CvSVMParams();
params.svm_type = CvSVM::EPS_SVR;
params.kernel_type = CvSVM::POLY;
params.C = 1; params.p = 0.5; params.degree = 1;
甚至当我在训练集上进行测试时，这些参数和我的SVM分类器的变化也非常糟糕!
有人可以帮我为这5个类别分类器参数化我的SVM吗？
我不知道必须为该问题使用哪个内核以及哪种svm类型。另外，我应该如何找出我的svm的c，p，度的值？
我认为这是一个非常简单的分类问题，因为我所有的对象都很好地限制在一个盒子中，分辨率相当好，并且类别即数字1,2,3,4,5在外观上非常独特。我不明白为什么我的SVM做得这么差。我在这里想念什么？
最佳答案
先验的，没有实验，很难给你一些好的参数，但是我可以给你一些想法。
首先，您想对一个多类分类器建模，但是您正在使用回归算法，并不是不能做到这一点，但是如果首先从C-SVM开始，通常会更容易。
其次，我建议使用RBF代替多项式内核。 Poly很难正确地做到这一点，通常RBF可以在开箱即用的情况下做得更好。
第三，我会玩几个C值，不要害羞，尝试更大的C(例如100)，这将迫使算法选择更多的SV。这可能会导致过度拟合，但如果您甚至无法制定算法来学习训练集，那也不是您的直接问题。
第四，我首先会减小图像的尺寸，然后，如果需要，当您拥有更稳定的模型时，可以再次尝试该尺寸。
我真的建议您阅读LibSVM指南，这很容易遵循http://www.csie.ntu.edu.tw/~cjlin/papers/guide/guide.pdf
希望能帮助到你!
编辑:
我忘了提一下，为SVM选择参数的一种好方法是执行交叉验证:http://en.wikipedia.org/wiki/Cross-validation_(statistics)
http://www.autonlab.org/tutorials/overfit10.pdf
http://www.youtube.com/watch?v=hihuMBCuSlU
http://www.youtube.com/watch?v=m5StqDv-YlM
编辑2:
我知道这很愚蠢，因为它位于问题的标题上，但是直到您指出注释之前，我才意识到您正在使用HOG描述符。