资源简介

开源计算机视觉库,可以实现许多图像处理的算法

资源截图

代码片段和文件信息

function phow_caltech101()
% PHOW_CALTECH101 Image classification in the Caltech-101 dataset
%   This program demonstrates how to use VLFeat to construct an image
%   classifier on the Caltech-101 data. The classifier uses PHOW
%   features (dense SIFT) spatial histograms of visual words and a
%   Chi2 SVM. To speedup computation it uses VLFeat fast dense SIFT
%   kd-trees and homogeneous kernel map. The program also
%   demonstrates VLFeat PEGASOS SVM solver although for this small
%   dataset other solvers such as LIBLINEAR can be more efficient.
%
%   By default 15 training images are used which should result in
%   about 64% performance (a good performance considering that only a
%   single feature type is being used).
%
%   Call PHOW_CALTECH101 to train and test a classifier on a small
%   subset of the Caltech-101 data. Note that the program
%   automatically downloads a copy of the Caltech-101 data from the
%   Internet if it cannot find a local copy.
%
%   Edit the PHOW_CALTECH101 file to change the program configuration.
%
%   To run on the entire dataset change CONF.TINYPROBLEM to FALSE.
%
%   The Caltech-101 data is saved into CONF.CALDIR which defaults to
%   ‘data/caltech-101‘. Change this path to the desired location for
%   instance to point to an existing copy of the Caltech-101 data.
%
%   The program can also be used to train a model on custom data by
%   pointing CONF.CALDIR to it. Just create a subdirectory for each
%   class and put the training images there. Make sure to adjust
%   CONF.NUMTRAIN accordingly.
%
%   Intermediate files are stored in the directory CONF.DATADIR. All
%   such files begin with the prefix CONF.PREFIX which can be changed
%   to test different parameter settings without overriding previous
%   results.
%
%   The program saves the trained model in
%   /-model.mat. This model can be used to
%   test novel images independently of the Caltech data.
%
%     load(‘data/baseline-model.mat‘) ; # change to the model path
%     label = model.classify(model im) ;
%

% Author: Andrea Vedaldi

% Copyright (C) 2011-2013 Andrea Vedaldi
% All rights reserved.
%
% This file is part of the VLFeat library and is made available under
% the terms of the BSD license (see the COPYING file).

conf.calDir = ‘data/caltech-101‘ ;
conf.dataDir = ‘data/‘ ;
conf.autoDownloadData = true ;
conf.numTrain = 15 ;
conf.numTest = 15 ;
conf.numClasses = 102 ;
conf.numWords = 600 ;
conf.numSpatialX = [2 4] ;
conf.numSpatialY = [2 4] ;
conf.quantizer = ‘kdtree‘ ;
conf.svm.C = 10 ;

conf.svm.solver = ‘sdca‘ ;
%conf.svm.solver = ‘sgd‘ ;
%conf.svm.solver = ‘liblinear‘ ;

conf.svm.biasMultiplier = 1 ;
conf.phowOpts = {‘Step‘ 3} ;
conf.clobber = false ;
conf.tinyProblem = true ;
conf.prefix = ‘baseline‘ ;
conf.randSeed = 1 ;

if conf.tinyProblem
  conf.prefix = ‘tiny‘ ;
  conf.numClasses = 5 ;
  conf.numSpatialX = 2 ;
  conf.numSpatialY = 2 ;
  conf.numWords = 300 ;
  conf.phowOpts = {‘Verbose‘ 2 ‘Sizes‘

评论

共有 条评论