长沙专业网站建设服务,网站首次备案 多久,html5做网站心得体会,临湘建设局网站本身LBPSVM是比较经典的技术路线用来做图像识别、目标检测#xff0c;没有什么特殊的地方
fer2013数据集在我之前的博文中也有详细的实践过#xff0c;如下#xff1a;
《fer2013人脸表情数据实践》 系统地基于CNN开发实现
《Python实现将人脸表情数据集fer2013转化为图像…本身LBPSVM是比较经典的技术路线用来做图像识别、目标检测没有什么特殊的地方
fer2013数据集在我之前的博文中也有详细的实践过如下
《fer2013人脸表情数据实践》 系统地基于CNN开发实现
《Python实现将人脸表情数据集fer2013转化为图像形式存储本地》 一键复制代码即可实现原始csv文件转储本地图像
LBPSVM和fer2013组合起来去使用就出现了有意思的东西了本身LBP提取出来的特征维度就很大一般都是将近2w维然后fer2013数据集又有接近4w的数据量这就导致SVM模型最终的训练极度膨胀缓慢。
我是昨天回去的时候放在云服务器上面跑的但是隔了4个小时还没有结束就休息了一早醒来看到结果出来了就是觉得简单的事情做得挺波折这个还是服务器的算力计算得到的如果是普通的PC机估计就更慢了吧。
简单看下 整体项目比较精简train.json表示训练数据提取出来的LBP向量存储得到的文件test.json表示测试数据提取出来的LBP向量存储得到的文件。mlModel.py是源代码实现了数据加载SVM模型训练和测试评估整套流程。results是存储下来的SVM模型和评估指标结果文件。
当我早上看到这个results体积的时候着实惊呆了从来还没有看到过SVM模型这么这么的大进入results目录看下详情如下 一个基于LBP特征训练出来的SVM模型居然达到了恐怖的3GB。
但是从评估结果上来看结果却是比较惨淡的如下 这里也统计了单个类别下的详情
angry: {accuracy: 0.41541755888650969,F_value: 0.08385562999783879,precision: 0.14285714285714286,recall: 0.05934536555521567},disgust: {accuracy: 0.3392857142857143,F_value: 0.08444444444444444,precision: 0.16666666666666667,recall: 0.05654761904761905},fear: {accuracy: 0.37298387096774196,F_value: 0.0776169498636459,precision: 0.14285714285714286,recall: 0.053283410138248849},happy: {accuracy: 0.646927374301676,F_value: 0.11223105252955999,precision: 0.14285714285714286,recall: 0.09241819632881086},neutral: {accuracy: 0.41186161449752886,F_value: 0.08334722453742291,precision: 0.14285714285714286,recall: 0.058837373499646978},sad: {accuracy: 0.27565084226646249,F_value: 0.06173898130680843,precision: 0.14285714285714286,recall: 0.03937869175235178},surprise: {accuracy: 0.6602409638554216,F_value: 0.11362222682977399,precision: 0.14285714285714286,recall: 0.09432013769363167}
整体来看效果比较一般这个还是比较适合用深度学习去做的感觉这样的数据体量和状态下SVM很难有较好的效果
