我试图了解线性分类SVM的工作原理(如用于HOG人检测的SVM一样)。我觉得我缺少必要的部分,而且恐怕找不到清晰的描述来更好地理解它。我知道有现成的实现,最后我可能最终会使用其中一种,但是我想了解自己在做什么。
据我了解,SVM接受了许多特征向量和正确分类的训练。训练后,SVM被完全定义为一组超平面(维数为特征向量的长度),通常为极小数。我希望(天真吗?)我训练有素的SVM是这样的:
ax >=b: 0
ax < b: 1
其中x是特征向量和ax = b
超平面。在这里我遇到了问题,因为:
我敢肯定,在某个时候我会误解所读的内容,但是我想知道我的想法出了什么问题。我猜我只是陷入了错误的思维定势,因为我对SVM的了解越多,上面描述的内容就越多,这是不对的。
看起来在论文中他们需要1.7 GB的RAM来训练分类器。为此,他们必须加载约14000个64x128 RGB图像补丁。当使用整数存储它们时,该文件的大小约为1.5 GB。
正确计算分类器后,只需一个权重向量即可检查给定样本在超平面的哪一侧。
本文收集自互联网,转载请注明来源。
如有侵权,请联系[email protected] 删除。
我来说两句