Я создаю приложение для классификации людей в изображениях городских условиях.

Я тренирую классификатор следующим образом:

int main (int argc, char **argv)
{

/* STEP 2. Opening the file */
//1. Declare a structure to keep the data
  CvMLData cvml;
//2. Read the file
  cvml.read_csv ("directory/train_rand.csv");
//3. Indicate which column is the response
  cvml.set_response_idx (0);

/* STEP 3. Splitting the samples */
//1. Select 4000 for the training
  CvTrainTestSplit cvtts (4000, true);
//2. Assign the division to the data
  cvml.set_train_test_split (&cvtts);

  printf ("Training ... ");
/* STEP 4. The training */
//1. Declare the classifier
  CvBoost boost;
//2. Train it with 100 features
  boost.train (&cvml, CvBoostParams (CvBoost::REAL,100, 0, 1, false, 0),
           false);

/* STEP 5. Calculating the testing and training error */
// 1. Declare a couple of vectors to save the predictions of each sample
  std::vector<float> train_responses, test_responses;
// 2. Calculate the training error
  float fl1 = boost.calc_error (&cvml, CV_TRAIN_ERROR, &train_responses);
// 3. Calculate the test error
  float fl2 = boost.calc_error (&cvml, CV_TEST_ERROR, &test_responses);

  cout<<"Error train: "<<fl1<<endl;

  cout<<"Error test: "<<fl2<<endl;

/* STEP 6. Save your classifier */
// Save the trained classifier
  boost.save ("./trained_boost_4000samples-100ftrs.xml", "boost");

  return 0;
}

train_rand.csv - это файл, в котором первый столбец является категорией. Остальные столбцы будут особенностями проблемы. Например, я мог бы использовать три функции. Каждый из них представляет среднее значение красного, синего и зеленого на пиксель изображения. Так что мой CSV-файл должен выглядеть следующим образом. Обратите внимание, что в первом столбце я использую символ, поэтому OpenCV распознает его как категорию.

B,124.34,45.4,12.4
B,64.14,45.23,3.23
B,42.32,125.41,23.8
R,224.4,35.34,163.87
R,14.55,12.423,89.67
...

Для моей реальной проблемы я использую 100 функций и 8000 образцов. Я тренирую классификатор с половиной данных и проверяю с остальными.

После обучения я получаю тестовую ошибку около 5% (что очень хорошо только для 100 функций).

Теперь я хочу использовать классификатор в новых данных:

CvBoost boost

boost.load("directory/trained_boost_4000samples-100ftrs.xml");

float x = boost.predict(SampleData,Mat(),Range::all(),false,false);
cout<<x;

Я запускаю этот код на тысячах примеров, и он всегда выдает одно и то же значение, равное 2 Я действительно не понимаю, что я делаю здесь неправильно, но даже если бы я неправильно обучил классификатору, он не классифицировал бы 100% времени таким же образом, также, тестовая ошибка, которую я вычислил ранее, показывает, что классификатор должен работать нормально.

Меня беспокоит то, что в SampleData должно быть то же количество столбцов, что и в примере, который я использовал для обучения. Дело в том, что данные, используемые для обучения, имеют 100 столбцов + 1 ответ, и если я пытаюсь запустить классификатор только с 100 функциями, он выдает исключение, говорящее о том, что размеры не совпадают. Если я запускаю классификатор с 101 признаком (что абсолютно произвольно), это работает, но результаты не имеют никакого смысла.

Кто-нибудь может мне с этим помочь? Заранее спасибо!

С уважением