Dlib kullanarak bir yaya detektörü eğitmenin en iyi yolu

Question

dlib ve INRIA Person Dataset kullanarak yaya detektörü eğitmeye çalışıyorum. Şimdiye kadar 27 resim kullandım, eğitim hızlı ancak sonuçlar tatmin edici değil (diğer resimlerde yayalara nadiren tanınır)

Tasarruf eğitimli dedektör

eğitim verilerine

Test dedektörü ...

object_detector.svm için: Burada dlib ile gelir train_object_detector programını kullanarak benim eğitimimin sonucu (giriş/dizin exmaples) 'dir

test detektörü (hassasiyet, hatırlama, AP): 1 0,653061 0,653061

parametreler kullanılmıştır:

parçacıkları: 4

C: 1

eps: 0.01

hedef boyutu: 6400

tespit pencere genişliği: 47

saptama penceresi yüksekliği: Bu birçok kez upsample 137

: 0

Daha iyi sonuç alabilmek için diğer görüntülerin eğitime eklenmesinin gerekli olduğunun farkındayım ama bunu yapmadan önce sonuçta basılan her parametrenin anlamından emin olmak istiyorum (hassasiyet, hatırlama, AP, c, eps, ...) Eğitim konusunda herhangi bir tavsiyeniz olup olmadığını merak ediyorum: Hangi görüntüleri seçeceksiniz? kaç görüntüye ihtiyaç var? Resimdeki her nesneyi açıklama eklemem gerekir mi? Resimdeki bazı bölgeleri görmezden gelmem gerekiyor mu? ...

Son bir soru, sonuçlarımı karşılaştırmak için kullanabileceğim eğitimli bir dedektör (svm dosyası) var mı?

Answer 1

Ben özellikle dlib aşina değilim, ama bana 27 görüntülerle iyi sonuçlar almazsınız söyleyeyim cevaplar için teşekkür ederiz. İyi bir şekilde genelleştirebilmek için, sınıflandırıcınızın bir çok resmi çeşit veri ile görmesi gerekir. Aynı kişinin 10.000 resmini aynı kıyafetle giydirmek sana iyi gelmez. Farklı insanları, kıyafetleri, ayarları, açıları ve aydınlatmayı istiyorsunuz. INRIA veri seti, bunların çoğunu kapsamalıdır.

Algılama pencere boyutunuz ve örnek ayarlarınız, eğitimli sınıflandırıcınızın bunları güvenilir bir şekilde algılaması için büyük kişilerin görüntüde nasıl görünmesi gerektiğini belirler. Ayarlarınız, yalnızca 137/47 piksel uzunluğunda/genişliğinde olan 1 ölçekte kullanıcıları tespit edecektir. Bir kez bile bir kez gönderirseniz, kullanıcıları daha küçük ölçekte algılayabilirsiniz (örnekleme, kişiyi olduğundan daha büyük gösterir). Daha büyük bir veri kümesi kullanmanızı ve örnekleme sayısını artırmanızı öneririm (ne kadar geliştirdiğinizden başka bir tartışma - kütüphaneye yerleştirilmiş gibi görünüyor). İşler daha uzun sürecek, ancak eğitim sınıflandırıcılarının doğası - çimdik parametreleri, yeniden değerlendirme, sonuçları karşılaştır.

Kesinlik/hatırlama için this wikipedia makalesine bakacağım.Bunlar parametre değil, sınıflandırıcınızın sonuçlarıdır. Her ikisinin de mümkün olduğunca 1'e yakın olmasını istiyorsunuz.