Smorodov

Что то мне подсказывает, что SVR служит для интерполяции функций по точкам.

Есть один выход, открыть исходники и посмотреть, что делается при установленном флаге returnDFVal = true.

Проверить не могу, у меня версия 3.x там такого параметра нет, только что попробовал.

По поводу svm.get_support_vector, в SVM по определению расстояния до опорных векторов вроде как всегда равно единице (ну или величине зазора, если они не нормированы, но одинаковые), в SVM c "мягкой" (soft margin svm) границей возможны варианты. Параметр С, насколько я помню, как раз и задает "жесткость" границы. Не параметр целочисленный, а, возможно, сетка целочисленная используется при решении, поэтому и расстояния целые. Я расстояния до границы не использовал в SVM, так что могу только предполагать.

В смысле целые числа, так-то функция возвращает float. Попробуйте запустить OpenCV-шный пример points_classifier, для SVM ну допилить чуть, чтобы выдавал расстояние, до границы, сможете визуально проверить то он выдает или нет. Глянул еще раз документацию, похоже оптимизация идет на сетке Generates a grid for SVM parameters. C++: CvParamGrid CvSVM::get_default_grid(int param_id) Parameters: param_id – SVM parameters IDs that must be one of the following: CvSVM::C CvSVM::GAMMA CvSVM::P CvSVM::NU CvSVM::COEF CvSVM::DEGREE The grid is generated for the parameter with this ID. The function generates a grid for the specified parameter of the SVM algorithm. The grid may be passed to the function CvSVM::train_auto(). Сетка строится по параметрам, которые вы задаете, возможно она в вашем случае целочисленная. Но вообще там double CvParamGrid::CvParamGrid The constructors. C++: CvParamGrid::CvParamGrid() C++: CvParamGrid::CvParamGrid(double min_val, double max_val, double log_step) The full constructor initializes corresponding members. The default constructor creates a dummy grid: CvParamGrid::CvParamGrid() { min_val = max_val = step = 0; }

SVM дискриминативный метод, а не генеративный, то есть по умолчанию вероятности не дает, а дает только границу разделения. Но можно приспособить расстояние до границы разделения,как упомянуто выше, даже добавить сигмоиды, будет очень похоже внешне, но это не вероятность.

Поток GUI работает в цикле WinMain, там обрабатываются сообщения системы, чтобы закрыть, нужно отправить соответствующее сообщение. Тогда программа завершит этот цикл и теоретически должна закрыться. Но может надо просто камеру вначале закрыть, она тоже может держать программу.

Не знаю, с cli + IplImage не работал. Может умны указатель убирает сам за собой ?

Упс, цикл у вас в обработчике нажатия кнопки. Не ну это так не делается. В обработчиках событий должен быть короткий быстро выполняющийся код, ну никак не вечный цикл. То что у вас сделано, это очень плохо. Посмотрите, на форуме есть примеры вывода видео на форму.

С формами такое не работает. Вам нужно сделать нормальный выход из программы, послать сообщение закрытия например. Цикл крутите отдельным потоком?

https://ru.wikipedia.org/wiki/Обратная_матрица Очень универсальная вещь, используется, в основном, при решении систем линейных уравнений. Но далеко не только для этого.

Это обращение матрицы, линейная алгебра, а не инверсия цветов.

Вначале уменьшить изображение до разумных размеров.

Бинарники тессеракта x64 для windows. https://github.com/tesseract-ocr/tesseract/wiki/4.0-with-LSTM#400-alpha-for-windows Бинарники OpenCV (не знаю какая разрядность, скорее всего x32 для windows.) https://sourceforge.net/projects/opencvlibrary/files/opencv-win/3.2.0/

Наверное точка крутится вокруг минимума, медленно к нему приближаясь. А может датасет не перемешан нормально.

Ну можно посмотреть исходники GIMP-а. У них там своя библиотека функций с использованием SIMD, но все можно выковырять при определенной настойчивости.

У вас же здесь цифры в прямоугольнике, прямоугольник белый, найдите его контур, впишите в прямоугольник (minarearect), вот вам и наклон. http://docs.opencv.org/2.4/doc/tutorials/imgproc/shapedescriptors/bounding_rotated_ellipses/bounding_rotated_ellipses.html Дальше повернуть изображение в обратную сторону.

Наткнулся на интересную статейку, не тестировал, просто чтобы не забыть. https://blog.google/topics/google-cloud/google-cloud-offer-tpus-machine-learning/ Может кто пробовал, и поделится опытом ?

Да, правильно. cvGetCentralMoment нужна когда нужно вычислить именно моменты как есть, например для поиска центра масс и осей инерции.

Моменты используются внутри MatchShapes, на вход функция принимает контуры. Посмотрите здесь, вроде простой пример: http://derykstack.blogspot.ru/2014/07/example-using-matchshapes-in-opencv.html

Вообще можно тупо скользящим средним сглаживать. У меня были случаи, что ошибка уменьшалась отскоками, падает, горб, снова падает, но уже ниже, опять горб, и так далее. И тут уже сглаживание не поможет. Причем интервалы между горбами одинаковые, и горбы эти не низенькие, а такие что вполне можно кнопку "стоп" нажать, так и делал, пока не передержал по недосмотру. Уменьшение шага только меняло период.

Да вроде в общих чертах похоже. Только классификатору передаются массивы (векторы) чисел а не числа по одному.

Ну там не то что бы одно и то-же, но получается компактная область, которая и выделяется при обучении классификатора. Что внутри области - лицо, что снаружи не лицо. При добавлении дополнительных измерений такие области можно отделить гиперплоскостью. Ну например как здесь:

Да, классификатору в принципе все равно откуда вы берете дескрипторы, ему важно чтобы классы были разделимы его средствами. Он даже не должен знать набор признаков, который вы использовали, но важно использовать один и тот же набор признаков на всем множестве картинок с которыми вы работаете. Извлечение признаков, переводит вашу картинку из одной системы координат в другую.

Да число, это число есть отклик признака. Каждый признак откликнется на изображение под ним по своему. Будет что то вроде такого, если писать словами: Изображение на 12% похоже на горизонтальный перепад яркости, на 5% на вертикальный, на 7% похоже на черную точку на белом фоне, на 4% на диагональный перепад яркости. Вместе они опишут структуру изображения.