add_sample_class_knnadd_sample_class_knnAddSampleClassKnnadd_sample_class_knnAddSampleClassKnnAddSampleClassKnn (Operator)

Name

add_sample_class_knnadd_sample_class_knnAddSampleClassKnnadd_sample_class_knnAddSampleClassKnnAddSampleClassKnn — Fügt ein Trainingsmuster zu einem k-NN-Klassifikator hinzu.

Signatur

Beschreibung

add_sample_class_knnadd_sample_class_knnAddSampleClassKnnadd_sample_class_knnAddSampleClassKnnAddSampleClassKnn fügt ein Trainingsmuster zu dem durch KNNHandleKNNHandleKNNHandleKNNHandleKNNHandleKNNHandle gegebenen k-Nearest-Neighbor-Klassifikators (k-NN) hinzu. Die Länge des angegebenen Trainingsmusters muss mit der in create_class_knncreate_class_knnCreateClassKnncreate_class_knnCreateClassKnnCreateClassKnn angegebenen Dimension NumDim übereinstimmen.

Das Trainingsmuster wird durch FeaturesFeaturesFeaturesFeaturesFeaturesfeatures und ClassIDClassIDClassIDClassIDClassIDclassID beschrieben. FeaturesFeaturesFeaturesFeaturesFeaturesfeatures ist ein Merkmalsvektor des Musters und muss folglich die Länge NumDim besitzen, die in create_class_knncreate_class_knnCreateClassKnncreate_class_knnCreateClassKnnCreateClassKnn angegeben worden ist. ClassIDClassIDClassIDClassIDClassIDclassID ist die Klasse des Musters, eine ganze Zahl, größer oder gleich 0. Bei der Verwendung von nur einer Klasse muss die Zahl 0 verwendet werden. Ebenso sollte bei der geplanten Verwendung des Operators classify_image_class_knnclassify_image_class_knnClassifyImageClassKnnclassify_image_class_knnClassifyImageClassKnnClassifyImageClassKnn darauf geachtet werden, dass alle Klassenlabel von 0 bis zur Anzahl der verwendeten Klassen vergeben werden, da sonst für nicht benutzte Label leere Regionen erzeugt werden.

Es ist erlaubt weitere Trainingsdaten nach einem bereits erfolgten Training hinzuzufügen. Die Veränderungen werden erst wirksam, wenn train_class_knntrain_class_knnTrainClassKnntrain_class_knnTrainClassKnnTrainClassKnn erneut aufgerufen wird.

Falls der k-NN Klassifikator mit automatischer Merkmals-Normalisierung trainiert wurde interpretiert add_sample_class_knnadd_sample_class_knnAddSampleClassKnnadd_sample_class_knnAddSampleClassKnnAddSampleClassKnn das übergebene Muster als nicht normalisiert und intern wird eine Normalisierung durchgeführt, die durch den letzten Aufruf von train_class_knntrain_class_knnTrainClassKnntrain_class_knnTrainClassKnnTrainClassKnn definiert ist. Die Referenz-Dokumentation des train_class_knntrain_class_knnTrainClassKnntrain_class_knnTrainClassKnnTrainClassKnn Operators enthält weitere Informationen zur automatischen Merkmals-Normalisierung.

Parallelisierung

• Multithreading-Typ: reentrant (läuft parallel zu nicht-exklusiven Operatoren).
• Multithreading-Bereich: global (kann von jedem Thread aufgerufen werden).
• Wird ohne Parallelisierung verarbeitet.

Dieser Operator modifiziert den Zustand des folgenden Eingabeparameters:

• KNNHandleKNNHandleKNNHandleKNNHandleKNNHandleKNNHandle

Parameter

Ergebnis

Sind die Parameterwerte korrekt, dann liefert add_sample_class_knnadd_sample_class_knnAddSampleClassKnnadd_sample_class_knnAddSampleClassKnnAddSampleClassKnn den Wert 2 (H_MSG_TRUE). Gegebenenfalls wird eine Fehlerbehandlung durchgeführt.

Vorgänger

train_class_knntrain_class_knnTrainClassKnntrain_class_knnTrainClassKnnTrainClassKnn, read_class_knnread_class_knnReadClassKnnread_class_knnReadClassKnnReadClassKnn

Siehe auch

create_class_knncreate_class_knnCreateClassKnncreate_class_knnCreateClassKnnCreateClassKnn, read_class_knnread_class_knnReadClassKnnread_class_knnReadClassKnnReadClassKnn

Literatur

Marius Muja, David G. Lowe: „Fast Approximate Nearest Neighbors with Automatic Algorithm Configuration“; International Conference on Computer Vision Theory and Applications (VISAPP 09); 2009.

Modul

Foundation