OpenCV'de HOGDescriptor ile kullanmak için özel SVM eğitimi

Question

OpenCV :: HOGDescriptor ile kullanmak için kendi dedektörümü eğitmeye çalışıyorum ama mevcut HOGDescriptor'umu yeni eğitimli SVM'mle çalışmak konusunda sorun yaşıyorum.

Pozitif ve negatif antrenman görüntüleri için HOG özelliklerini hesapladım, etiketledim ve CvSVM kullanarak SVM'yi eğitdim. Ben kullandım parametreler şunlardır: Ben sadece yerine birçok biri vektörü olsun ve HOGDescriptor.setSVMDetector (vektör) kullanılarak hesaplanan destek vektör set böylece

CvSVMParams params; 
    params.svm_type =CvSVM::EPS_SVR; 
    params.kernel_type = CvSVM::LINEAR; 
    params.C = 0.01; 
    params.p = 0.5; 

Sonra destek vektörlerin Primal Formu hesaplamak;

This is Primal Form

Ben CvSVM.predict() Ben doğru SVM nesneleri sınıflandırmak mümkün, ama HOGDescriptor.detect() veya detectMultiScale() her zaman pozitif eşleşmelerin bir sürü verir ve doğru vermez kullandığınızda tahminleri.

CvSVM.predict(), sınıflandırma için orijinal destek vektörlerini kullanır; bu nedenle, birincil form hesaplama biçiminde bir sorun olabilir.

Beni doğru yöne çevirebilecek kendi dedektörlerini eğiten biri var mı?

Answer 1

hakkında mucit kağıdında önerilen bir lineer svm eğitildikten sonra primal formu çıkarmak için bir çocuk sınıfı CvSVM yazdım. Pozitif örnekler 1 etiketli ve negatif örnekler -1 olarak etiketlenmiştir. HogDescriptor'dan doğru sonuçlar almak için alfaların önüne negatif işaret koymak ve değişmeden rho işaretini bırakmak zorundayım.

LinearSVM.h

#ifndef LINEAR_SVM_H_ 
#define LINEAR_SVM_H_ 
#include <opencv2/core/core.hpp> 
#include <opencv2/ml/ml.hpp> 

class LinearSVM: public CvSVM { 
public: 
    void getSupportVector(std::vector<float>& support_vector) const; 
}; 

#endif /* LINEAR_SVM_H_ */ 

LinearSVM.cs

#include "linear_svm.h"  
void LinearSVM::getSupportVector(std::vector<float>& support_vector) const { 

    int sv_count = get_support_vector_count(); 
    const CvSVMDecisionFunc* df = decision_func; 
    const double* alphas = df[0].alpha; 
    double rho = df[0].rho; 
    int var_count = get_var_count(); 
    support_vector.resize(var_count, 0); 
    for (unsigned int r = 0; r < (unsigned)sv_count; r++) { 
     float myalpha = alphas[r]; 
     const float* v = get_support_vector(r); 
     for (int j = 0; j < var_count; j++,v++) { 
     support_vector[j] += (-myalpha) * (*v); 
     } 
    } 
    support_vector.push_back(rho); 
} 

Answer 2

Aynı problemle uğraşıyordum. Bulduğum forumlar, dedektörün CvSVM (nedenini bilmiyorum) kullanarak eğitilemediğini tespit ettim. Dedektörü eğitmek için LIBSVM kullanmıştım. İşte HOGDescriptor.setSVMDetector (w) için dedektörü ayıklamak için kod: Veri ayrıntıları için LIBSVM belgelerine/başlığına bakın. Tüm eğitimi C++ 'da yaptım, LIBSVM eğitim verilerini CV'den LIBSVM'ye doldurdum; Aşağıdaki kod, cv :: HOGDescriptor için gerekli olan dedektör vektörünü çıkarır. w parametresi Ben HOG dedektörü hakkında Dalal gazetelerde okumak kadarıyla bu yardımcı olur std::vector<float> w

const double * const *sv_coef = model.sv_coef; 
const svm_node * const *SV = model.SV; 
int l = model.l; 
model.label; 

const svm_node* p_tmp = SV[0]; 
int len = 0; 
while(p_tmp->index != -1) 
{ 
    len++; 
    p_tmp++; 
} 
w.resize(len+1); 

for(int i=0; i<l; i++) 
{ 
    double svcoef = sv_coef[0][i]; 
    const svm_node* p = SV[i]; 
    while(p->index != -1) 
    { 
     w[p->index-1] += float(svcoef * p->value); 
     p++; 
    } 
} 
w[len] = float(-model.rho[0]); 

Umut ...

Answer 3

olduğunu, o yanlış pozitif kaldırmak önermek, bizim modeli yeniden eğitmek gerekir. Yeniden eğitim, ön modelin (yanlış pozitiflerin çoğunu veren modeliniz) uygulanmasıyla gerçekleştirilir, ardından tüm negatif örnek görüntülerde nesneleri tespit edilir. İade edilen tüm dikdörtgenler kesinlikle yanlış pozitif olur. Daha sonra, tüm bu yanlış pozitifleri negatif örnek resimlerinize ekleyin (negatif veri kümesi), bir kez daha eğitim yapın. Elde edilen model, kağıtta önerildiği gibi, daha az yanlış pozitif geri dönecektir. Bununla birlikte, maalesef bunu (yeniden eğitim) denedim, ancak ortaya çıkan model, pozitif görüntü örneklerinde bile hiçbir şeyi tanımıyor. Ama bence denemeye değer çünkü bu, HOG detektörü