add_sample_class_knn
— Fügt ein Trainingsmuster zu einem k-NN-Klassifikator hinzu.
add_sample_class_knn
fügt ein Trainingsmuster zu dem durch
KNNHandle
gegebenen k-Nearest-Neighbor-Klassifikators (k-NN) hinzu.
Die Länge des angegebenen Trainingsmusters muss mit der in
create_class_knn
angegebenen Dimension NumDim
übereinstimmen.
Das Trainingsmuster wird durch Features
und
ClassID
beschrieben. Features
ist ein Merkmalsvektor
des Musters und muss folglich die Länge
NumDim
besitzen, die in create_class_knn
angegeben
worden ist. ClassID
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_knn
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_knn
erneut aufgerufen wird.
Falls der k-NN Klassifikator mit automatischer Merkmals-Normalisierung
trainiert wurde interpretiert add_sample_class_knn
das übergebene
Muster als nicht normalisiert und intern wird eine Normalisierung
durchgeführt, die durch den letzten Aufruf von train_class_knn
definiert ist. Die Referenz-Dokumentation des train_class_knn
Operators enthält weitere Informationen zur automatischen
Merkmals-Normalisierung.
Dieser Operator modifiziert den Zustand des folgenden Eingabeparameters:
Während der Ausführung dieses Operators muss der Zugriff auf den Wert dieses Parameters synchronisiert werden, wenn er über mehrere Threads hinweg verwendet wird.
KNNHandle
(input_control, Zustand wird modifiziert) class_knn →
(handle)
Handle des k-NN-Klassifikators.
Features
(input_control) number(-array) →
(real)
Liste der hinzuzufügenden Merkmalsvektoren.
ClassID
(input_control) integer(-array) →
(integer)
Klassenlabel der Merkmalsvektoren.
Sind die Parameterwerte korrekt, dann liefert
add_sample_class_knn
den Wert 2 (H_MSG_TRUE). Gegebenenfalls wird eine
Fehlerbehandlung durchgeführt.
train_class_knn
,
read_class_knn
create_class_knn
,
read_class_knn
Marius Muja, David G. Lowe: „Fast Approximate Nearest Neighbors with Automatic Algorithm Configuration“; International Conference on Computer Vision Theory and Applications (VISAPP 09); 2009.
Foundation