【Machine Learning】【Python】四、Hard Negative Mining优化训练SVM模型 ---- 《SVM物体分类和定位检测》

2017年6月25日#Machine Learning141

AI 生成的摘要

这篇文章介绍了通过hard negative mining优化训练SVM模型的方法。作者通过PSO优化参数提高了模型的准确率，但仍不满足预期目标。因此，作者尝试使用hard negative mining方法来优化训练SVM模型。该方法的原理是先用原始训练集训练一个模型，然后对所有负样本进行滑窗预测。如果窗口的预测结果为正，那么将该窗口加入训练集，并指定标签为负。需要注意的是，在原始数据中，负样本要远远多于正样本。

** 最新代码 Github 地址： ** https://github.com/HansRen1024/SVM-classification-localization

前言#

通过 PSO 优化参数，训练好的模型准确率提升了 4% 左右。还不满足预期目标。所以又尝试通过 hard negative
mining 优化训练 SVM 模型。原理大概就是先用原始训练集训练出一个模型，然后对所有负样本滑窗预测。如果该窗口预测结果为正，那么将该窗口加入训练集，指定 label 为负。需要注意的是原始数据中，负样本要远远大于正样本。