異なるパラメータで私のSVMモデルをテストすると全く同じ結果が得られます

Question

私の目標は、SVM w/HOG機能を使用して、セダンとSUVの下で交通の車両を分類することです。

さまざまなカーネル（RBF、LINEAR、POLY）を使用していますが、それぞれ異なる結果が得られますが、パラメータが変更されても同じ結果が得られます。たとえば、POLYカーネルを使用していて度が.65以上であれば、すべてをSUVとして分類します.65未満の場合はすべてのテスト画像をセダンとして分類します。

LINEARカーネルの場合、変更されるパラメータはCのみです。パラメータCが何であれ、私は常にセダンに分類される8/10イメージとSUVとして分類されるイメージを取得します。

今私は約70のトレーニング画像と10のテスト画像しか持っていないので、私はこれを使用する橋のように後部から車の良いデータセットを見つけることができませんでした。問題は、この小さなデータセット、またはパラメータ、または何か他のものに起因する可能性がありますか？また、70のトレーニング画像のうち58のように、サポートベクトルが通常非常に高いことがわかります。そのため、データセットに問題がある可能性があります。私は、何らかの形でトレーニングポイントを視覚化する方法はありますか？SVMの例では、常にポイントの素敵な2Dプロットがあり、それを通って線を引いていますが、画像でこれらのポイントをプロットする方法があります。私のデータは線形に分離可能であり、それに応じて調整が行われますか？私のHOGパラメータは、車の150x200イメージで正確ですか？

トレーニングイメージと同じテストイメージを使用すると、SVMモデルは完全に予測されますが、明らかにそれは不正です。

以下の画像は、結果を示し、ここでテスト画像

の例は私のコードで私はコードがあるか分からないので、私はそれのほとんどが含まれていませんでした問題。まず、ポジティブなイメージを取り、HOGフィーチャを抽出してトレーニングMatにロードし、含まれているテストパートと同じ方法でネガティブイメージに対して同じ処理を行います。私は車のより大きなデータセットを得た

1）：

//Set SVM Parameters (not sure about these values, but just wanna see something) 
Ptr<SVM> svm = SVM::create(); 
svm->setType(SVM::C_SVC); 
svm->setKernel(SVM::POLY); 
svm->setC(50); 
svm->setGamma(100); 
svm->setDegree(.65); 
//svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, 1e-6)); 

cout << "Parameters Set..." << endl; 

svm->train(HOGFeat_train, ROW_SAMPLE, labels_mat); 

Mat SV = svm->getSupportVectors(); 
Mat USV = svm->getUncompressedSupportVectors(); 

cout << "Support Vectors: " << SV.rows << endl; 
cout << "Uncompressed Support Vectors: " << USV.rows << endl; 

cout << "Training Successful" << endl; 

waitKey(0); 

//TESTING PORTION 

cout << "Begin Testing..." << endl; 

int num_test_images = 10; 
Mat HOGFeat_test(1, derSize, CV_32FC1); //Creates a 1 x descriptorSize Mat to house the HoG features from the test image 

for (int file_count = 1; file_count < (num_test_images + 1); file_count++) 
{ 

    test << nameTest << file_count << type;  //'Test_1.jpg' ... 'Test_2.jpg' ... etc ... 
    string filenameTest = test.str(); 
    test.str(""); 

    Mat test_image = imread(filenameTest, 0);   //Read the file folder 

    HOGDescriptor hog_test;// (Size(64, 64), Size(32, 32), Size(16, 16), Size(32, 32), 9, 1, -1, 0, .2, 1, 64, false); 
    vector<float> descriptors_test; 
    vector<Point> locations_test; 

    hog_test.compute(test_image, descriptors_test, Size(64, 64), Size(0, 0), locations_test); 

    for (int i = 0; i < descriptors_test.size(); i++) 
     HOGFeat_test.at<float>(0, i) = descriptors_test.at(i); 

    namedWindow("Test Image", CV_WINDOW_NORMAL); 
    imshow("Test Image", test_image); 

    //Should return a 1 if its an SUV, or a -1 if its a sedan 
    float result = svm->predict(HOGFeat_test); 

    if (result <= 0) 
     cout << "Sedan" << endl; 
    else 
     cout << "SUV" << endl; 

    cout << "Result: " << result << endl; 

    waitKey(0); 
} 

Answer 1

2つのことは、この問題を解決しました。トレーニング部には約400枚のSUV画像と400台のセダン画像を使用し、テスト部分にはさらに50枚の画像を使用しました。

2）In：Mat HOGFeat_test（1、derSize、CV_32FC1）、私は約1桁大きい間違ったderSizeを持っていました。実際のサイズは15120でしたが、私は113400の列を持っていました。このように、テストマットの約10％しか有用な特徴データで満たされていなかったので、SVMがSUVとセダンの違いを伝えるのはずっと困難でした。

これはリニアカーネルとポリカーネル（C = 10）の両方でうまく動作し、96％の予想よりも精度が優れています。