我一直在尝试在 Matlab 中实现一个能够根据图像特征识别图像的神经网络。我正在尝试使用特征/单词包方法来获得一个离散的特征向量，然后我可以将其输入到我的神经网络中。
我一直使用这个例子作为指导 - http://in.mathworks.com/help/vision/examples/image-category-classification-using-bag-of-features.html
代码中的一行 (featureVector = encode(bag, img);) 计算图像中出现的单词。我可以使用这个“特征向量”矩阵来训练我的神经网络吗？我是否必须对训练集中的每一个图像进行编码？
【问题讨论】：
标签： matlab machine-learning computer-vision neural-network matlab-cvst
是的，这当然是可能的。通过查看示例，训练数据集是一组图像，您会找到一个包含 500 个“单词”/特征的通用词汇表，可以充分描述所有这些词。通过使用featureVector = encode(bag, img);，您正在做的是确定每个单词中存在多少部分来描述输入图像img。具体来说，如果您查看该示例部分中的代码，他们会绘制一个条形图，其中横轴表示单词索引，纵轴表示词汇表中每个单词/特征用于表示该图像的比例。
具体来说，这是生成的条形图（取自链接）：
（来源：mathworks.com）
因此，相似的图像应该用相似的特征/词来描述，因此您当然可以将其用作神经网络的输入。
但是，正如您所怀疑的那样，在您训练神经网络之前，您必须代表您希望使用此特征向量训练的每张图像。如果您打算使用 MATLAB 的神经网络工具箱，您必须确保每个 列 是一个输入样本，每个 行 是一个特征。 featureVector 实际上会返回一个1 x N 向量，其中N 是特征的总数。但是，如果您想更巧妙地做到这一点，只需为您要转换的所有图像创建一个 imageSet：http://www.mathworks.com/help/vision/ref/imageset-class.html，然后使用一次调用 encode 来创建这个所需的特征矩阵：
imgFolder = '...'; %// Specify image folder here
imgSet = imageSet(imgFolder); %// Create image set
featureMatrix = encode(bag,imgSet).'; %// Encode the images - Make sure you transpose
结果将是一个M x N 矩阵，其中M 是您拥有的输入图像的总数，N 是特征的总数。为了尊重神经网络工具箱，您必须转置此矩阵，因为每个列都需要是输入样本，而不是每一行。
【讨论】：