Я пытаюсь использовать сортировку объектов для классификации объектов с использованием стандартного байесовского классификатора. Когда я вычисляю дескрипторы для каждого изображения с переменным размером, я получаю различные векторы признаков. Например:Opencv Характеристика векторного размера SiFT
Feature Size: [128 x 39]
Feature Size: [128 x 54]
Feature Size: [128 x 69]
Feature Size: [128 x 64]
Feature Size: [128 x 14]
Что касается разработки, я использую 20 учебных изображений, и поэтому у меня есть 20 ярлыков. Моя классификация состоит всего из 3 классов, содержащих автомобиль, книгу и мяч. Таким образом, мой размер вектора метки равен [1 x 20]
Насколько я понимаю, для выполнения машинного обучения размер векторного вектора и размер вектора метки должны быть одинаковыми, поэтому я должен получить векторный размер для данных обучения как [__ x 20], а метка - [1 x 20].
Но моя проблема в том, что sift имеет 128-мерное пространство объектов, поэтому каждое изображение имеет другой размер функции, как показано выше. Как преобразовать все в один размер без потери функций? Или, возможно, я могу сделать это неправильно, пожалуйста, помогите мне в этом?
PS: Фактически, я сделал это с использованием модели BOW, и это работает, но только для моих целей обучения. Я пытаюсь сделать это в этом вопросе, чтобы узнать из интереса, поэтому любые подсказки и рекомендации приветствуются. Спасибо
спасибо. На самом деле я выполнил задание, и я использовал BOW, и он работает хорошо. Однако мне так интересно, что я пытаюсь по-разному классифицировать изображения. Я пытаюсь классифицировать без использования модели BOW, поэтому мне интересно, как я могу назначить учебную матрицу. Как вы думаете, я меняю матрицу с [128 x Y] на [1 x Y]. Это означает, что я использую только один размер вектора. Что ты думаешь об этом? – rish
[1 x Y] матрица не имеет смысла. Фактически вы можете использовать отдельные функции SIFT [128 x 1] foreach Y и сравнивать их с извлеченным SIFT с другого изображения. – Eric
Извините, на самом деле это то, что означало .. Большое спасибо. – rish