我正在使用经典的SIFT – BOW – SVM方法进行图像分类。我的分类器是使用1对所有（1vsAll）范式创建的。

假设我目前有100个类别。之后，我想添加新的类别，或者我想通过使用额外的训练集来改善某些特定类别的识别效果。

最好的方法是什么？当然，最好的方式是重新执行训练阶段的每一步骤。

但是，只使用与之前模型相同的词汇表来计算额外的（或修改的）类别是否有意义，这样可以避免重新计算新的词汇表并重新训练所有类别？

回答：

简而言之 – 不行。如果你添加新类别，它应该被添加到每个“旧”的分类器中，这样“一对所有”仍然有意义。如果你假设新类别会随着时间出现，考虑使用单类分类器，例如单类SVM。这样，一旦你获得特定类别的新样本，你只需重新训练特定的模型，或者向系统中添加一个全新的模型。

此外，对于大量类别，1对所有SVM的效果相当差，而单类方法通常要好得多。