模式识别 - 处理多示例学习(MIL)特征(matlab)

处理多示例学习(MIL)特征(matlab)

本文地址: http://blog.csdn.net/caroline_wendy/article/details/27206325

多示例学习(MIL)特征(features)包含, "示例编号+视频编号+标签+特征"的形式;

需要组成多示例学习特定包的形式, 每一个元胞是一个多示例包, 后面一位是标签, 即"特征包+标签"的形式;

代码:

%author @ C.L.Wang
%time @ 2014.5.27
%matlab @ R2012a

%% 加载数据
clc, clear;
features = load(‘ViolenceMILFeatures.txt‘);

%% 提取多示例包
head = features(:,1:3); % 头部信息
video_vector = features(:,2); % 视频名称
total_num = size(unique(video_vector),1);
video_cell = cell(total_num,2);
for video_num = 1:total_num
    temp = find(video_vector==video_num);
    video_cell{video_num,1} = features(temp(1,1):temp(end,1),4:end);
    video_cell{video_num,2} = features(temp(1,1),3);
end

%% 分类训练和测试
negative_train_features = video_cell(1:(total_num/4), :);
negative_test_features = video_cell((total_num/4+1):(total_num*2/4), :);
positive_train_features = video_cell((total_num*2/4+1):(total_num*3/4), :);
positive_test_features = video_cell((total_num*3/4+1):end, :);

train_features = [positive_train_features; negative_train_features]; %整合训练
test_features = [positive_test_features; negative_test_features]; %整合测试

模式识别 - 处理多示例学习(MIL)特征(matlab)

时间: 2024-10-10 03:06:48

模式识别 - 处理多示例学习(MIL)特征(matlab)的相关文章

多示例学习 multiple instance learning (MIL)

多示例学习:包(bags) 和 示例 (instance). 包是由多个示例组成的,举个例子,在图像分类中,一张图片就是一个包,图片分割出的patches就是示例.在多示例学习中,包带有类别标签而示例不带类别标签,最终的目的是给出对新的包的类别预测. 多示例学习是弱监督学习中的一个popular的方法.用于训练分类器的instance是没有类别标记的,但是bags却是有类别标记的,这一点与以往所有框架均不甚相同. 多示例学习中的规则:如果一个bag 里面存在至少一个instance被分类器判定标

模式识别与智能计算学习笔记1

1.概述 1.1基本概念 模式识别的目的是利用计算机对物理对象进行分类,在错误概率最小的条件下,使识别的结果尽量与客观物体相符合. 特征:与识别有关的因素,称为一个特征. 模式:就是样品所具有的特征的描述. 模式识别系统:数据获取-->预处理--->特征提取和选择-->分类决策-->分类器设计 统计模式识别研究的主要问题:特征的选择与优化,分类判别,聚类判别. 1.2特征空间优化设计问题 所选用的特征应具有使同类物体分布具有紧致性,对初始的特征进行改造,目的在于提高某方面的性能,因

几种分类问题的区别:多类分类,多标签分类,多示例学习,多任务学习

多类分类(Multiclass Classification) 一个样本属于且只属于多个类中的一个,一个样本只能属于一个类,不同类之间是互斥的. 典型方法: One-vs-All or One-vs.-rest: 将多类问题分成N个二类分类问题,训练N个二类分类器,对第i个类来说,所有属于第i个类的样本为正(positive)样本,其他样本为负(negative)样本,每个二类分类器将属于i类的样本从其他类中分离出来. one-vs-one or All-vs-All: 训练出N(N-1)个二类

学习LBP特征

1.LBP特征背景介绍 LBP指局部二值模式,英文全称:Local Binary Pattern,是一种用来描述图像局部特征的算子,LBP特征具有灰度不变性和旋转不变性等显著优点. 它是由T. Ojala, M.Pietik?inen, 和 D. Harwood [1][2]在1994年提出,由于LBP特征计算简单.效果较好,因此LBP特征在计算机视觉的许多领域都 得到了广泛的应用,LBP特征比较出名的应用是用在人脸识别和目标检测中,在计算机视觉开源库OpenCV中有使用LBP特征进行人脸识别的

html5游戏引擎phaser官方示例学习

首发:个人博客,更新&纠错&回复 phaser官方示例学习进行中,把官方示例调整为简明的目录结构,学习过程中加了点中文注释,代码在这里. 目前把官方的完整游戏示例看了一大半, breakout是敲砖块,gemmatch是钻石消除,invaders是小蜜蜂,matching是配对,simon是记忆游戏,sliding是拼图,starstruck类似超级马里奥,tanks是坦克游戏. 游戏场面上看,敲砖块.小蜜蜂是竖版,超级马里奥是横版,坦克游戏是俯瞰,钻石.配对.记忆.拼图这四个都是棋盘.

示例学习kettle之Excel Writer步骤

示例学习kettle之ExcelWriter步骤 ExcelWriter步骤可以向excel模板文件中填写内容的一种方法,并且可以往同一文件的不同sheet中写内容.本文通过示例详细讲解,通过一个转换生成报表. ExcelWriter步骤是kettle4.1以上版本才有,同时我们也使用"Block until steps finish"步骤(kettle4.1版本有),如果你使用版本是3.2或4.0,就使用自定义javasc步骤代替.本文的示例代码在这里下载. 最终导出报表文件格式 示

OpenCV中feature2D学习——FAST特征点检测与SIFT/SURF/BRIEF特征提取与匹配

在前面的文章<OpenCV中feature2D学习--FAST特征点检测>中讲了利用FAST算子进行特征点检测,这里尝试使用FAST算子来进行特征点检测,并结合SIFT/SURF/BRIEF算子进行特征点提取和匹配. I.结合SIFT算子进行特征点提取和匹配 由于数据类型的不同,SIFT和SURF算子只能采用FlannBasedMatcher或者BruteForceMatcher来进行匹配(参考OpenCV中feature2D学习--BFMatcher和FlannBasedMatcher).

通过示例学习rholang(下部:课程8-13)

课程8——状态通道和方法 保存数据 到现在为止,你已经很擅长于发送数据到元组空间和从元组空间中获取数据.但是无论你在什么时候进行计算,你有时需要把一些数据放在一边晚点才使用.几乎所有编程语言都有变量的概念. rholang 的另一个独特的地方在于它没有传统的变量.然而,我们只是使用元组空间来保存我们的数据.只要你想要把一些数据放在一边晚点使用,就把数据发送到一些通道里然后晚点再从通道中获取.以这种方式使用的通道叫做"状态通道",通常我们会在状态通道名字末尾用Ch box.rho 什么数

模式识别课堂笔记 ——深度学习

引言:深度学习的浪潮开始于Hinton 的一篇文章 Reducing the Dimensionality of Data with Neural Networks: 代表人物:Geoffery Hinton  链接 :http://www.cs.toronto.edu/~hinton/ Yann LeCun 链接:http://yann.lecun.com/ex/index.html Yoshua Bengio 链接:http://www.iro.umontreal.ca/~bengioy/y