Bir SVM uygulayabilirseniz, özellikleri ölçebilirsiniz. :)
Tipik olarak özellikler k-ortalama kümeleme kullanılarak nicelendirilir. İlk olarak, "kelime büyüklüğünüzün" ne olması gerektiğine karar verin (200 "görsel kelime" deyin) ve sonra bu kümeler için k-anlamına gelen kümeleme çalıştırırsınız (200). SIFT tanımlayıcıları 128 elementin vektörleridir, yani 128 boyutlu uzayı gösterir. Böylece, diğer noktalar gibi onları kümelemeyi deneyebilirsiniz. SIFT tanımlayıcılarını, özellik çantası kullanarak sınıflandırmak istediklerinize benzer çok sayıda görüntüden ayıklayabilirsiniz. (İdeal olarak bu ayrı bir görüntü kümesi olmalıdır, ancak pratikte insanlar genellikle eğitim görüntü kümelerinden özellikler alırlar.) Ardından, bu büyük SIFT tanımlayıcıları kümesinde 200 (veya her türlü) kümeye bölmek için k-ortalama kümeleme çalıştırırsınız. her bir tanımlayıcıyı bir kümeye atamak için kullanılır. k-means size 200 küme merkezi verecek,
Ardından görüntünüzdeki her bir SIFT tanımlayıcısını alır ve en yakın kümenin merkezini bularak 200 kümeden hangisine ait olduğuna karar verirsiniz. Ardından, her kümeden kaç özelliğe sahip olduğunuzu sayarsınız. Böylece, herhangi bir sayıda SIFT özelliğine sahip herhangi bir görüntü için 200 bölmeli bir histogramınız vardır. Bu, SVM'ye verdiğiniz özellik vektörünüzdür. (Not, özellikler terimi aşırı yüklenmiş).
Hatırladığım gibi, bu histogramların nasıl normalleştirilmesi gerektiğine dair birçok çalışma yapıldı. Yanılıyor olabilirim, ancak ikili özellik vektörünün (yani, bu kümeden en az 1 özellik varsa ve 0 ise) histogramdan daha iyi çalıştığını iddia eden bir makaleyi hatırlıyorum. Ayrıntılar için literatürü kontrol etmeniz gerekir ve ayrıntılar önemlidir.
Düzenleme: MATLAB için Bilgisayarlı Görme Sistemi Araç Kutusu artık çanta işlev işlevselliği sağlar .