Применение_SVM_для_распознования_обьектов_на_изображениях

1. Применение SVM для классификации изображений

ПРИМЕНЕНИЕ SVM ДЛЯ
КЛАССИФИКАЦИИ
ИЗОБРАЖЕНИЙ
Выполнил: Байбулатов Айнур МО-426Б

2. Общее описание метода опорных векторов: определение, цель алгоритма.

■ Метод опорных векторов (SVM) является
классическим алгоритмом машинного обучения,
который в основном используется для
классификации объектов в признаковом
пространстве высокой размерности.
■ Цель алгоритма SVM: найти оптимальную границу
(или гиперплоскость в многомерном пространстве),
которая разделяет объекты разных классов.
Ключевая особенность — эта граница проводится
так, чтобы максимизировать зазор (margin) между
классами.
■ В контексте классификации изображений объектом
является вектор, который является результатом
обработки изображения при помощи какого-либо
алгоритма(в частности алгоритм HOG)

3. Когда SVM лучше глубокого обучения для классификации изображений ?

1. Малые объемы данных – SVM показывает хорошие метрики
качества после обучения на выборках от десятков до тысяч
образцов
2. Требуется интерпретируемость – после обучения модели можно
узнать какие именно объекты выборки больше всего влияют на
классификацию.
3. Ограниченные вычислительные ресурсы – SVM обучается быстрее
на меньших объемах выборки
4. Требуется гарантированное глобальное решение – SVM находит
глобальный оптимум (в отличие от NN, которые могут застревать в
локальных минимумах)

4. Недостатки алгоритма SVM

1. Сложность настройки гиперпараметров – Нет универсального
способа подбора оптимальных параметров
2. Ограниченная поддержка многоклассовой классификации –SVM
изначально создан для двух классов.

5. Математическая постановка задачи

Рассмотрим для простоты понимания линейноразделимый случай в двумерном
признаковом пространстве
Линейно-разделимая выборка
Дано:
1. Обучающая выборка X =