SURF描述符提取的值是神經網絡的良好輸入嗎？

正如標題中提到的那樣，這些值是否足以訓練神經網絡用於分類任務（2個類別）？SURF描述符提取的值是神經網絡的良好輸入嗎？

我的目標是嘗試使用SURF提取的特徵點來分割前景和背景。這些提取的特徵點將被輸入到神經網絡（監督或分類）中。

我的問題是，這些值（128或64梯度信息）是訓練神經網絡的好選擇嗎？

2012-10-15 Alvin Then

你能提供一個數據的例子嗎？ – Stan

你設法做到了嗎？我正在研究類似的東西，從靜態圖像中提取汽車，我在做我的研究時遇到了這個問題。如果您已經管理，您能與我們分享您的工作原理嗎？不是代碼，但至少是理論。 –

對我來說結果不太好，但也不算太壞。我會說60-70％的準確度。忽略假陰性，假陽性非常低。我設法檢測了我的目標對象上的大部分點，但是在我的測試視頻中，它在整個幀中不夠一致。根據您的訓練集，它可以在靜態圖像中很好地工作。 –

簡答：是的，非常好。

稍微長一些的答案：您依靠SURF來做SURF最擅長的功能，而您依靠NN來分類/識別這些輸入的模式。這是完全正確的。實際上，它總是取決於當前的確切任務，並且無論出於何種原因，如果SURF沒有拿起與您正在構建的模型相關的特徵，那麼您將遇到麻煩。但總的來說：大拇指向上。

2012-10-16 00:44:28

感謝您的回答，我現在就試試看。我將首先讓這個問題再開放幾天。 –

回答