目前我在实现一个用于在图像中定位物体的算法时遇到了困难。假设我有100个训练集，每个训练集中都有一只猫，并且每只猫的正确坐标都已知。我的第一个想法是创建一个固定大小的正方形，并在图像中遍历。对于正方形中包含的每组像素，我们可以将其用作支持向量机算法的一个点。
问题在于我不确定如何实现，因为通常每个点代表一个类别（有物体或无物体），并且通常只有简单的d个特征，而在这种情况下，它有一个dx3的矩阵作为其特征（每个特征都有RGB值）。
任何简单的帮助都将受到欢迎，谢谢！
回答：
如果我理解你的问题正确的话，将机器学习应用于图像处理和计算机视觉与其他类型的问题有些不同。主要区别在于你需要以某种方式克服局部性和尺度的问题。所有的猫咪总是出现在特定的坐标(x,y)吗？当然不是！它们可以在场景中的任何地方。那么如何为SVM提供一个特定点来表示一个物体呢？这样做根本无法推广。这就是几乎所有计算机视觉中的基本操作都与卷积操作有关的原因，以提取与位置无关的特征。一个单独的像素不携带任何有用信息，你需要分析一组像素。你可以采取两种方法：
- 经典方法：
使用OpenCV进行噪声去除、边缘检测，使用像SIFT这样的方法进行特征提取，并将这些特征而不是未处理的原始像素输入到像SVM这样的模型中。特征提取意味着从d个特征达到k个更有意义的输入表示，通常情况下(k < d)，如果不是总是如此的话。
- 深度学习：
卷积神经网络(CNNs)已经为许多计算机视觉任务带来了光明，这些任务直到最近还远不可及，更重要的是，使用像Keras和tensorflow这样的框架，计算机视觉中的大多数问题实际上只是编程任务，不再需要像以前那样多的知识。因为(CNNs)自己提取特征，你不再需要进行特征工程，这需要一个对任务有良好教育和知识的人。
所以，选择你认为适合猫咪检测的方法吧 =^.^= 。
