evaluate

Оценить классификатор изображений по набору подборки изображений

Описание

пример

confMat = evaluate(categoryClassifier,imds) возвращает нормированную матрицу беспорядка, confMat.

[confMat,knownLabelIdx,predictedLabelIdx,score] = evaluate(categoryClassifier,imds) дополнительно возвращает соответствующие индексы метки и счет.

Примеры

свернуть все

Загрузите две категории изображений.

setDir  = fullfile(toolboxdir('vision'),'visiondata','imageSets');
imds = imageDatastore(setDir,'IncludeSubfolders',true,'LabelSource',...
    'foldernames');

Разделите набор данных на обучающие и тестовые данные. Выберите 30% изображений из каждого набора для обучающих данных и оставшиеся 70% для тестовых данных.

[trainingSet,testSet] = splitEachLabel(imds,0.3,'randomize');

Создайте мешок визуальных слов.

bag = bagOfFeatures(trainingSet);
Creating Bag-Of-Features.
-------------------------
* Image category 1: books
* Image category 2: cups
* Selecting feature point locations using the Grid method.
* Extracting SURF features from the selected feature point locations.
** The GridStep is [8 8] and the BlockWidth is [32 64 96 128].

* Extracting features from 4 images...done. Extracted 76800 features.

* Keeping 80 percent of the strongest features from each category.

* Using K-Means clustering to create a 500 word visual vocabulary.
* Number of features          : 61440
* Number of clusters (K)      : 500

* Initializing cluster centers...100.00%.
* Clustering...completed 25/100 iterations (~0.17 seconds/iteration)...converged in 25 iterations.

* Finished creating Bag-Of-Features

Обучите классификатор с наборами обучающих данных.

categoryClassifier = trainImageCategoryClassifier(trainingSet,bag);
Training an image category classifier for 2 categories.
--------------------------------------------------------
* Category 1: books
* Category 2: cups

* Encoding features for 4 images...done.

* Finished training the category classifier. Use evaluate to test the classifier on a test set.

Оцените классификатор с помощью тестовых изображений. Отобразите матрицу неточностей.

confMatrix = evaluate(categoryClassifier,testSet)
Evaluating image category classifier for 2 categories.
-------------------------------------------------------

* Category 1: books
* Category 2: cups

* Evaluating 8 images...done.

* Finished evaluating all the test sets.

* The confusion matrix for this test set is:


             PREDICTED
KNOWN    | books   cups   
--------------------------
books    | 0.75    0.25   
cups     | 0.25    0.75   

* Average Accuracy is 0.75.
confMatrix = 2×2

    0.7500    0.2500
    0.2500    0.7500

Найдите среднюю точность классификации.

mean(diag(confMatrix))
ans = 0.7500

Примените недавно обученный классификатор, чтобы категоризировать новые изображения.

img = imread(fullfile(setDir,'cups','bigMug.jpg'));
[labelIdx, score] = predict(categoryClassifier,img);

Отобразите метку классификации.

categoryClassifier.Labels(labelIdx)
ans = 1x1 cell array
    {'cups'}

Входные параметры

свернуть все

Изображения, заданные в ImageDatastore объект.

Отобразите классификатор категории в виде imageCategoryClassifier объект.

Выходные аргументы

свернуть все

Матрица беспорядка, возвращенная как матрица. Индексы строки соответствуют известным меткам, и столбцы соответствуют предсказанным меткам.

Пометьте индекс для набора изображений, возвращенного как M-by-1 вектор для изображений M. knownLabelIdx выходное значение соответствует индексу набора изображений, используемого, чтобы обучить набор признаков.

Индекс предсказанной метки, возвращенный как M-by-1 вектор для изображений M. predictedLabelIdx выходное значение соответствует индексу набора изображений, используемого, чтобы обучить набор признаков. Предсказанный индекс соответствует классу с самым большим значением в score вывод .

Счет предсказания в виде M-by-N матрица. N представляет количество классов. M представляет количество изображений в imageSet входной объект, imgSet. Счет предоставляет отрицаемую среднюю бинарную потерю в классе. Каждый класс является классификатором мультикласса машины опорных векторов (SVM), который использует подход выходных кодов с коррекцией ошибок (ECOC).

Смотрите также

|

Введенный в R2014b
Для просмотра документации необходимо авторизоваться на сайте