Предполагая изображения запроса немечены, применение SVM потребует способ знать метки для наборов данных изображений, поскольку SVM является формой контролируемого обучения, которая направлена на правильно определить метки классов для немаркированных данных. Вам понадобится еще один метод для создания ярлыков классов, таких как неконтролируемое обучение, поэтому этот подход не кажется актуальным, если у вас есть только векторы объектов, но нет меток классов.
Нейронная сеть позволяет проводить бесконтрольное обучение без немедленных данных, но является довольно сложным подходом и является предметом научных исследований. Вы можете рассмотреть более простой подход к компьютерному обучению, такой как k-Nearest Neighbors, который позволяет вам получить самые близкие к учебным образцам образцы, которые похожи в вашем пространстве возможностей. Этот алгоритм прост в реализации и найден во многих библиотеках машинного обучения. Например, в Python вы можете использовать scikit learn.
Я не уверен, с какими изображениями вы работаете, но вы также можете изучить алгоритмы детекторов функций, такие как SIFT, а не только интенсивности пикселей.
Ну, я работаю с базой данных, состоящей из 1000 изображений, в которых 100 изображений принадлежат к определенному жанру, например праздникам, пляжу и т. Д. В этом случае, какой неконтролируемый алгоритм я могу использовать, можете ли вы объяснить весь процесс, что нужно соблюдать для создания такой системы. Заранее спасибо Micheal :-) – cseml