add_sample_class_knnadd_sample_class_knnAddSampleClassKnnAddSampleClassKnn (Operator)

Name

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

Signatur

add_sample_class_knn( : : KNNHandle, Features, ClassID : )

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

Das Trainingsmuster wird durch FeaturesFeaturesFeaturesFeaturesfeatures und ClassIDClassIDClassIDClassIDclassID beschrieben. FeaturesFeaturesFeaturesFeaturesfeatures ist ein Merkmalsvektor des Musters und muss folglich die Länge NumDim besitzen, die in create_class_knncreate_class_knnCreateClassKnnCreateClassKnnCreateClassKnn angegeben worden ist. ClassIDClassIDClassIDClassIDclassID 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_knnClassifyImageClassKnnClassifyImageClassKnnClassifyImageClassKnn 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_knnTrainClassKnnTrainClassKnnTrainClassKnn erneut aufgerufen wird.

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

Ausführungsinformationen

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:

KNNHandleKNNHandleKNNHandleKNNHandleKNNHandle

Der Wert dieses Parameters darf nicht über mehrere Threads verwendet werden.

Parameter

KNNHandleKNNHandleKNNHandleKNNHandleKNNHandle (input_control, Zustand wird modifiziert) class_knn → (integer)

Handle des k-NN-Klassifikators.

FeaturesFeaturesFeaturesFeaturesfeatures (input_control) number(-array) → (real)

Liste der hinzuzufügenden Merkmalsvektoren.

ClassIDClassIDClassIDClassIDclassID (input_control) integer(-array) → (integer)

Klassenlabel der Merkmalsvektoren.

Ergebnis

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

Vorgänger

train_class_knntrain_class_knnTrainClassKnnTrainClassKnnTrainClassKnn, read_class_knnread_class_knnReadClassKnnReadClassKnnReadClassKnn

Siehe auch

create_class_knncreate_class_knnCreateClassKnnCreateClassKnnCreateClassKnn, read_class_knnread_class_knnReadClassKnnReadClassKnnReadClassKnn

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

Operatoren