我有大量标有植物名称的植物图像。为了对未标记的照片进行分类，在此数据集上进行训练的最佳算法是什么？照片经过处理，100% 的像素包含植物（例如叶子或树皮的特写镜头），因此没有其他对象/空白空间/背景需要算法过滤掉。
我已经尝试为所有照片生成SIFT 特征并将这些（特征、标签）对输入到LibLinear SVM，但准确度只有可怜的 6%。
我还尝试将相同的数据提供给几个 Weka 分类器。准确率稍微好一点（Logistic 为 25%，IBk 为 18%），但 Weka 的设计不是为了可扩展性（它将所有内容加载到内存中）。由于 SIFT 特征数据集是几百万行，我只能用随机的 3% 切片来测试 Weka，所以它可能不具有代表性。
编辑：一些示例图片：
【问题讨论】：
标签： image-processing machine-learning classification
通常，您不会直接使用 SIFT 功能进行训练。对它们进行聚类（使用 k-means），然后在聚类成员标识符的直方图上进行训练（即，一个 k 维向量，它计算在位置 i 处分配给 的特征的数量>i-th 簇）。
这样，您可以获得每个图像的单个输出（以及单个 k 维特征向量）。
这是准代码（在 Pythonn 中使用 mahotas 和 milk）：
from mahotas.surf import surf
from milk.unsupervised.kmeans import kmeans,assign_centroids
import milk
# First load your data:
images = ...
labels = ...
local_features = [surfs(im, 6, 4, 2) for im in imgs]
allfeatures = np.concatenate(local_features)
_, centroids = kmeans(allfeatures, k=100)
histograms = []
for ls in local_features:
hist = assign_centroids(ls, centroids, histogram=True)
histograms.append(hist)
cmatrix, _ = milk.nfoldcrossvalidation(histograms, labels)
print "Accuracy:", (100*cmatrix.trace())/cmatrix.sum()
【讨论】：
这是一个相当困难的问题。
你可以试试BoW model。
基本上，您在所有图像上提取 SIFT 特征，然后使用 K-means 将特征聚类为视觉词。之后，使用 BoW 向量训练您的分类器。
有关详细信息，请参阅上面的 Wikipedia 文章和其中的参考文献。
【讨论】：
您可能需要更好的对齐方式，并且可能不需要更多功能。除非您有对应关系，否则您无法获得可接受的性能。您需要知道一片叶子中的哪些点对应于另一片叶子上的点。这是计算机视觉中的“圣杯”问题之一。
人们使用shape context 来解决这个问题。你可能应该看看this link。 This paper 描述了 Leafsnap 背后的基本系统。
【讨论】：
你可以根据这个Bag-of-Features Descriptor on SIFT Features with OpenCV来实现BoW模型。在 OpenCV 中实现 BoW 模型是一个非常好的教程。
【讨论】：