训练和分类器计算机视觉

Question

在计算机视觉中训练数据(图像集)的意义是什么，以及如何做到这一点？什么是分类器？

Answer 1

在机器学习中，你有某种学习算法。学习算法获取一些数据，称为训练集，并从中产生世界模型。假设你有一个计算机视觉学习算法，它试图将图像分为两类:它是一张脸的照片，或者它不是一张脸的照片。

为了简单起见，假设学习算法非常愚蠢--你给它提供标记为"face“的面孔图片，以及没有标记为"not a face”的面孔的图片。然后，我们的愚蠢算法只计算标记为"face“的图片的平均光照强度，并生成一个模型，该模型说：”如果一张图片的平均强度比我之前看到的标记为"face“的图片更接近于我之前看到的标记为"not a face”的图片的平均强度，那么就可以预测我看到的这张图片是一张脸。“

为了计算人脸图像的平均光照强度，以及标记为“不是脸”的图片，你必须展示的图片是训练集。

将训练集与测试集进行对比。对于一个算法来说，如果你之前已经向它展示过一张照片，那么它产生的模型告诉你一张照片是一张脸，这并不是很令人印象深刻。因此，通常当你有数据时，你会“拿出”(或搁置)一小部分来评估模型的实际效果。

机器学习任务的基本过程分解如下：

1. 获取、准备和格式化数据，以便将其用作模型的输入。
2. 通过随机选择，将一部分数据指定为"training set“，另一部分指定为"testing set”。
3. 将学习算法应用于训练集。
4. 学习算法的输出是一个接受输入并在给定输入的情况下产生一些输出的模型。在计算机视觉的背景下，输入几乎总是一张图片，但输出可以是一个分类，也许是一个3-D地图，也许它能在图片中找到某些东西；这取决于你试图通过向模型提供以前从未见过的数据(即测试集)来do.
5. Determine模型的准确性，并将模型的输出与你知道的输出进行比较。

Answer 2

您可以使用训练数据来构建分类器。

具体是怎么做的呢？这是不同的。简而言之，你需要某种距离度量，一个简单的规则，来比较你的样本。你还需要一个规则来做决定，它决定了这个对象是属于A类还是属于B类。

诀窍是找到这样的距离度量，它非常简单，但在不同类别的图像中变化很大。为了做出决策，你可以依靠信息理论，并选择任何可用的技术，例如: svm，rf。