使用SVM训练图像：正样本含多类别是否可行及线性可分性问询

首先得先明确你的任务目标，这直接决定了能不能这么做：

• 如果你的任务是二分类：比如只需要判断“这是不是右转相关的标志”，那把多个原本属于不同子类的右转标志（比如普通右转箭头、带时间限制的右转标志等）归为同一个“右转”正样本类别，是完全可行的。本质上你是把多类问题合并成了二分类问题，只要这些子类在业务逻辑上都属于“右转指令”，这种标签合并是合理的。
• 如果你的任务是多分类：需要区分所有不同的交通标志类别（比如右转、左转、直行、限速等），那绝对不能把不同类别塞进同一个正样本里——这会让标签混乱，模型根本学不到正确的分类边界。

再说说线性可分性的问题：
线性可分性从来都不是由你是否合并类别决定的，而是由合并后两类的特征分布差异决定的：

• 如果合并后的“右转”类，和负样本（非右转标志）在特征空间里（比如提取的HOG特征、CNN特征等）能被一条直线/平面分开，那数据就是线性可分的，线性SVM就能搞定。
• 如果两类特征有重叠（比如某些非右转标志的形状、颜色和右转标志很接近），那数据就是线性不可分的，但这也不是问题——SVM本来就支持核函数（比如RBF、多项式核），可以把数据映射到高维空间，找到非线性的分类边界。

给你个小建议：先明确任务目标，然后可以拿一小部分数据做个测试——合并类别后，提取特征，用PCA降维可视化一下两类的分布，看看有没有明显的分隔；或者直接跑个线性SVM，看分类准确率，如果效果不好，再换成带核函数的SVM试试。

内容的提问来源于stack exchange，提问作者j.doe