我使用libSVM创建了一个多类别SVM模型来对图像进行分类。我通过网格搜索优化了C和G参数，并使用了RBF核函数。

分类包括1) 动物 2) 花卉 3) 风景 4) 肖像。

我的训练集包含每个类别的100张图像，对于每张图像，我使用Lear的Gist描述符C代码提取了一个长度为920的向量：http://lear.inrialpes.fr/software。

在对每个类别50张图像进行测试后，我的模型达到了约50%的准确率，这比随机选择（由于有四个类别，准确率为25%）好两倍。

我对计算机视觉相对较新，但熟悉机器学习技术。有什么有效提高准确率的建议吗？

非常感谢你们，我期待你们的回复！

回答：

这是一个非常非常开放的研究挑战。并没有一个理论上保证更好的单一答案。

考虑到你的分类，这是一个不错的开始，但请记住，Gist最初是作为场景分类的全局描述符设计的（尽管实证证明它对其他图像类别也有用）。在表示方面，我建议尝试基于颜色的特征，如基于补丁的直方图，以及流行的低级梯度特征，如SIFT。如果你刚开始学习计算机视觉，那么我认为SVM对于你所做的事情已经足够了，这取决于你的图像集的多样性，例如光照、视角、焦点等。