训练图像和测试图像答案

【问题标题】：Training images and test images训练图像和测试图像
【发布时间】：2014-01-22 05:26:23
【问题描述】：

我正在做一个关于腹侧流前馈通路的项目，我有 6 个图像要在 InferoTemporal 层进行识别。

请有人给我图像示例，向我展示训练图像和测试图像之间的区别。那么我应该在包含我的训练图像的文件夹中添加什么？我是否应该添加另一个包含测试图像列表的文件夹？如果是，这些测试图像应该是什么？

训练图像必须包含要分析或识别的图像，而测试图像必须包含内存中的图像吗？换句话说，如果我们有例如 16 个训练人脸和一两个测试人脸。那么我们应该分析一下，训练中的人脸对应于测试中的人脸是什么？这是真的吗？？

注意：我不需要代码，我只是想简要解释一下测试图像和训练图像之间的区别。

任何帮助将不胜感激。

【问题讨论】：

问题不是很清楚。您是在询问图像的性质吗？或者把它们放在哪里？或许你可以再解释一下？
我尝试实现对象识别的HMAX模型。所以我在 C2 层得到了向量。所以要识别图像，我应该有训练图像和测试图像，然后在调谐单元中分析每个测试图像。
哦，好吧..你可以从那里开始 :) 你的问题在这种情况下更有意义。我对 HMAX 没有经验，只知道基础，但我从你的问题中了解到，你想测试每一层，你需要有一些该层特征的例子来比较，对吗？您可能对这些幻灯片很熟悉，但以防我粘贴它，因为这是一个好的开始：mit.edu/~9.520/spring10/slides/class15-visualneuroscience/…，您也可以查看这些人以及他们使用的数据集：bit.ly/1dkv2pP
Yes :) ，所以我从 C2 层（InferoTemporal 层或 V4）开始。所以最后在 view-tuned 层，我有义务使用 svm 来识别这些结果。所以我对使用这些训练图像来计算模型参数不感兴趣，因为我的朋友在下面回复我，但我理解这个概念，因为在 HMAX 中我们没有参数，我们有层要由所有图像计算（训练和测试图像）。无论如何谢谢你，我真的非常感谢你的意见:)）。再次感谢您。
好.. 我正要告诉你阅读 lennon310 的回复，但你已经这样做了...... :) 顺便说一句，我 acabo de dar cuenta que eres de argentina, suerte con el proyecto！

标签： machine-learning computer-vision svm data-analysis biological-neural-network

【解决方案1】：

在 HMAX 中，您使用输入图像层的所有数据。以及所有这些上的 garbor 过滤器、最大池化、径向基核函数。只有在 C2 层，您才开始训练图像的子集（主要使用基于线性核的 SVM）。该子集设置为训练数据。其余的都是测试数据。总之，训练图像首先用于构建 SVM，然后使用多数投票法将测试图像分配给数字类。

但这实际上是等价的，因为您首先将训练图像放在图像层。在所有层都经过之后，您将测试图像放在图像层以重新启动以进行识别。由于训练和测试图像都需要缩放，并且在 C2 之前的前几层的所有操作都是相同的，因此您只需在开始时将它们完全混合。

虽然你在图像层使用了所有的训练和测试图像，但你仍然需要打乱数据并挑选其中一些作为训练，其他作为测试。

【讨论】：

这正是我所需要的。为您的回答 +1。
亲爱的 Lennon3，我问了一个新问题，题为“使用 osusvm 识别 HMAX 模型 C2 层之后的人脸”，我相信您可以根据上面的回答帮助我。请非常感谢您的帮助。格拉西亚斯！！ :):)
亲爱的列侬，如果你能帮助我解决关于 QIM 方法的新问题，我将非常高兴：D 提前谢谢！

【解决方案2】：

训练图像和测试图像之间的唯一区别在于，测试图像不用于选择模型参数。每个模型都有一些适合数据的参数、变量。这称为训练过程。训练/测试集分离确保您的模型（算法）实际上可以做更多的事情，而不仅仅是记忆图像 - 所以您在 test 图像上测试在训练阶段使用。

已经在SO上详细讨论过：whats is the difference between train, validation and test set, in neural networks?

【讨论】：

所以如果我有 20 张面孔作为训练，一张面孔作为测试。所以我会在训练中选择对应的人脸对测试中的人脸做出反应。我的想法是真的吗？
有点不同。这个想法是您将使用 20 个训练面来选择“模型参数”。在实践中，您的模型可以是分类器（例如神经网络、分类树）。使用 20 张人脸训练分类器后，您可以使用它来预测测试图像属于哪个类别。
“选择”是什么意思？整个训练/测试分离适用于某些算法评估的情况。因此，您需要对每张图片进行真正的“分类”（例如，您的任务 - 图片上的人物）。测试时可以选择答案，它属于训练集中最相似的图像，称为1-最近邻分类（k=1的KNN算法的最简单情况）
@AlceuCosta 非常感谢您的回答 :) 它很感兴趣