我正在尝试使用线性SVM进行多类对象类别识别。到目前为止，我了解到主要有两种方法——一对所有（OVA）和一对一（OVO）。但我在理解其实现上遇到了困难。我认为使用的步骤是：

• 首先，准备特征描述符，比如使用SIFT。因此，我有一个128XN的特征向量。
• 接下来，为了为特定对象类别（比如汽车）准备SVM分类器模型，我使用50张汽车图片作为正训练集，并从其他类别中随机选取总共50张图片作为负训练集（这一部分正确吗？）。我为所有这些类别（假设有5个）准备这样的模型。
• 接下来，当我有一个输入图像时，我是否需要将图像输入到所有5个模型中，然后检查这些模型的输出值（+1/-1）？我对这一部分感到困惑。

回答：

在一对所有方法中，你需要检查所有5个模型。然后，你可以根据最有信心的值做出决策。LIBSVM提供概率估计值。

在一对一方法中，你可以采用多数原则。例如，你测试1对2、1对3、1对4和1对5。如果在3个案例中分类为1，那么你就将其分类为1。你对其他4个类别也进行同样的操作。假设其他四个类别的值是[0, 1, 1, 2]。因此，类别1被选中的次数最多，成为最终的类别。在这种情况下，你也可以进行概率估计的总和。取最大值。这通常有效，除非在一对中分类结果极端错误。例如，在1对4中，它以0.7的信心将4（真实类别是1）分类为4。仅仅因为这个决定，你的概率估计总和可能会大幅增加并给出错误的结果。这个问题可以进行实验性检查。

LIBSVM使用一对一方法。你可以在这里查看原因这里。你也可以阅读这篇论文，他们捍卫一对所有分类方法，并得出结论说它并不一定比一对一差。