我目前正在与机器学习的图像识别项目工作。
这套列车有1600个图像,大小为300x300,因此每幅图像有90000个特征。
为了加快训练速度,我将PCA与n_components = 50相结合
测试集有450幅图像,我可以在这个测试集中成功地测试模型。
现在,我想预测一个图像是由网络摄像头拍摄的。问题是,我是否应该将PCA应用于该图像?
如果我不应用PCA,我就会得到ValueError: X.shape[1] = 90000 should be equal to 50, the number of features at training time
如果我应用主
我的BE最后一年的项目是关于手语识别。在为一个哑巴用户生成的符号视频中看到的模式选择正确的分类技术时,我感到非常困惑。我了解到神经网络( NN )在几个方面比隐马尔可夫模型更好,但微调神经网络的参数需要大量的时间。此外,一些报告说支持向量机在性能上比神经网络更好。我应该在这些选择中选择什么,或者有没有其他更好的选择,这样我就可以在4-5个月内完成我的项目,并且我可以继续在我的硕士课程中学习这个领域?
大家好,
I am trying to convert a contour to a blob in an image .There are several blobs in image ; the proper one is extracted by applying contour feature. The blob is required to mask a grayscale image.
我尝试提取每个非零像素和pointPolygontest(),以便找到斑点,但它需要>70ms才能完成这个过程。该应用程序是在30fps的视频,所以我需要在30毫秒内转换
我的理解是第二个中心时刻应该给我一个物体的变化。我应该可以用它来衡量物体中心的像素分布,所以我想我可以用第二次矩来找出物体的包围矩形的大小。假设在Malab中,我创建了一个尺寸为100x200的白色矩形图像,并使用第一次矩找到质量中心,然后计算方差。
im = zeros(501,400);
im(200:300,100:300) = ones(101,201);
%Sum the moments in a for loop for clarity
for v = 1:rows
for u = 1:cols
val = im(v,u);
%zeroth moment i
我已经使用以下内容计算了PCA:
function [signals,V] = pca2(data)
[M,N] = size(data);
data = reshape(data, M*N,1);
% subtract off the mean for each dimension
mn = mean(data,2);
data = bsxfun(@minus, data, mean(data,1));
% construct the matrix Y
Y = data'*data / (M*N-1);
[V D] = eigs(Y, 10); % redu