我一直在使用少量图像(大约 20 张)来训练 SVM，我注意到在训练时，一张图片在结果。
有时它会有点准确，有时它会说一切都匹配，有时什么都不匹配。现在使用较小的图像集，我知道一个图像的影响会成比例地变大，但是除了反复试验之外还有什么可以辨别什么是好的训练集？您如何选择数百张图像进行训练？
这似乎有点太重要的一步，让它继续前进
“好吧，这些图像似乎比那些图像运行得更好，现在如果我包含这些图像会怎样……”
即猜测。
最佳答案
您的问题不可能有一个广泛而明确的答案，因为(一如既往)它取决于应用场景的具体情况。
所以 tl;dr 版本:分析你的问题。
我想到了 3 种方法来收集您的训练集有用的证据:
对您的训练数据使用无监督技术来验证它们的有用性(需要您实际分析问题并定义具体标准)。
在没有选择性假设的情况下获取训练数据，但根据您的场景以相同的方式全部对其进行预处理。这可以是从规范化到转换的任何事情，以确保数据增长更稳定，例如学习噪声或不变性。
在某些情况下(例如运行高度多样化数据的实时系统)，您不想做出假设。您希望您的分类器考虑广泛的输入，因此您也选择广泛的训练集。
一般而言:如果您的训练集中的一张图片破坏了您的分类器，您需要确定是什么让该图片与众不同，并且最好使用更多与该图片相似的图片进行训练，以使其更加稳健。除非您可以确保经过训练的系统永远不会遇到这种类型的图像。
关于opencv - SVM 训练 OpenCV，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/28836418/