yisa 杯教训

果然还是实战经验太少，有些坑是绕不过去的。

1.模型验证集要针对真实情况，尽量还原测试环境（测试步骤、数据类型、特征选择）

2.要将训练集和测试集放到一起来进行特征提取，失败的关键所在

3.多想

相关资料

https://blog.csdn.net/gusui7202/article/details/82991730

train_im.py

机器学习&图像处理常用的特征汇总

https://blog.csdn.net/qianliheshan/article/details/53735654

2016年12月19日 10:33:00 千里河山 阅读数：1428

1.HOG常用场景：行人、车辆识别；

2.LBP常用场景：人脸识别；

3.Haar-like常用场景：人脸检测；

4.Sift/Surf等特征点常用场景：图像匹配、全景、立体匹配；

5.Gabor滤波常用场景：指纹识别；

6.hough变换 & LSD常用场景：直线检测；

https://blog.csdn.net/qq_31622541/article/details/78227358

图像中的其他特征

1. 灰度直方图（按灰度分布生成向量）；颜色特征
2. HOG特征（进行物体检测描述算子，图像梯度加梯度方向）
3. LBP特征（描述局部纹理特征）
4. Haar-like特征（边缘检测特征）

然后介绍完所有的特征和写好所有的特征提取代码之后，我想说的一件事是是不要遇到什么特征就去抓，不然你的每一波训练都是麻瓜，你需要先去把特征都找出来之后，然后去对比每个特征相对的权重，Andrew Ng老师的课程里面虽然说了那些无效特征到最后都会自己在神经网络之类的训练模型里面变成皮皮虾，但在svm里面，不是直接带值，这样一来，特征的选择就更加重要了，按前人的分类选择特征，然后对应选择合适的方法，SVM还是DeepLearning，还是暴力KNN或者稍微带点脑子但是慢的一匹的K-means，所以选好特征再在原本基础上使用最小二乘法实现最小值获取，这样就可以开始搞事情了

https://blog.csdn.net/ns708865818/article/details/76222473传统图像处理的一些特征（几个链接）

http://www.cnblogs.com/bonelee/p/6517929.html机器学习算法选择——特征提取（介绍了特征工程）

https://www.jianshu.com/p/7ea915aaaeda图像分类 | 深度学习PK传统机器学习（TensorFlow，cv2，cnn，svm，knn）*

https://blog.csdn.net/HuangZhang_123/article/details/80660688Python 使用Opencv实现图像特征检测与匹配（opencv图像特征检测）

图像去噪

https://blog.csdn.net/wangr0120/article/details/78336722图像预处理 （给出一些步骤，噪声，去噪的方法，仅原理）

https://blog.csdn.net/sinat_36458870/article/details/78825571 python和OpenCV一起做的图像分割。

多标签分类不好使

===================12.4 思路===================================

把问题分成5个二分类任务

最新的Question 类别不平衡。

https://blog.csdn.net/zhangbaoanhadoop/article/details/82154909 解决不平衡数据分类的方法

1. 采样  （5个二分类问题，同一个数据，不好采样，时间代价太高了）
2. 集成学习
3. 代价敏感学习
4. 加权
5. 一类分类方法

********下午思路整理

1. 迁移学习，用inceptionV3提取特征
2. 预处理，读取特征
3. 构建多个分类器
4. 优化