SVM识别时间问题

道玄真人11 2019-01-08 07:12:29

麻烦问一下，用SIFT+BOW结构训练SVM，大约60多个特征向量数，训练好的SVM用于识别系统，大概能用多少时间识别出结果，图片一般是1000*1000的，谢谢各位大神

...全文

328 1 打赏收藏转发到动态举报

写回复

1 条回复

切换为时间正序

请发表友善的回复…

发表回复

zgl7903 2019-01-11

打赏
举报

回复

最好是使用大量实际图片统计验证一下，软硬件配置，参数设置，图像特征等都会影响结果

支持向量机(SVM)是一种有效的二分类模型，通过求解最大边距超平面实现分类。它包括线性和非线性两种形式，非线性SVM通过核函数处理非线性问题。SVM的优势在于理论严谨，关键样本识别，避免了维数灾难，但训练时间和预测复杂度与支持向量数量有关。主要参数包括C、kernel、degree、gamma等，核函数的选择对模型性能至关重要。适用场景包括二分类问题和各种模式识别任务。

本文介绍了支持向量机(SVM)的原理、数学基础以及在文本分类、图像识别、生物信息学和金融预测等领域的应用。重点讲述了其在高维数据处理中的优势，包括非线性问题解决和抗噪声特性，同时也提到了其训练时间和参数选择的挑战。,

本研究提出了一种结合动态时间规整（DTW）和多类分类支持向量机（SVM）方法的老年人跌倒识别系统。该系统通过分析加速度计数据，使用DTW技术匹配运动模式，区分跌倒与日常活动，并通过多维分类算法识别健康问题。实验结果表明，该方法在老年人健康监测中具有高准确率和低误报率，展现了在医疗诊断和图像识别等领域的应用潜力。

本文深入探讨最小二乘支持向量机（LS - SVM），它在解决非线性、高维模式识别和函数估计问题上有优势。介绍了其理论基础，阐述了在分类、函数估计、时间序列预测和无监督学习方面的应用，分析了优势与局限性，并展望了未来发展方向。

本文全面介绍了支持向量机（SVM）的优势、研究热点、主要核函数及其广泛的应用场景。包括解决小样本问题、提高泛化性能、处理高维与非线性问题，以及在模式识别、回归估计、概率密度估计等领域的应用。同时，讨论了SVM在文本分类、人脸识别、三维物体识别、遥感图像分析、函数逼近、时间序列预测、数据压缩、优化算法、改进方法及硬件实现等方面的前沿进展与挑战。

图形处理/算法

19,466

社区成员

50,678

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章