我正在训练级联分类器以检测图像中的动物。不幸的是，我的误报率相当高（使用 Haar 和 LBP 超高，使用 HOG 可以接受）。我想知道如何改进我的分类器。
这是我的问题：
- 鲁棒检测所需的训练样本量是多少？我在某处读到需要 4000 个正样本和 800 个负样本。这是一个好的估计吗？
- 训练样本应该有多大不同？有没有办法量化图像差异以包含/排除可能的“重复”数据？
- 我该如何处理被遮挡的物体？我应该只训练动物可见的部分，还是应该选择我的投资回报率，以便平均投资回报率相当恒定？
- 重新遮挡的物体：动物有腿、手臂、尾巴、头等。由于某些身体部位经常被遮挡，选择“躯干”作为 ROI 是否有意义？
- 我应该尝试缩小图像尺寸并在较小的图像尺寸上进行训练吗？这可能会改善事情吗？
我愿意在这里接受任何指点！
- 4000 正 - 800 负是一个糟糕的比率。负样本的问题是你需要训练尽可能多的负样本，因为Adaboost 机器学习算法 http://youtu.be/WfdYYNamHZ8?t=22m55s-所有类似 haar 的特征选择过程的核心算法 - 高度依赖于它们。使用 4000 / 10000 将是一个很好的增强。
- 检测“动物”是一个难题。由于您的问题是一个决策过程，这已经是NP-hard http://en.wikipedia.org/wiki/NP-hard，您的分类范围正在增加复杂性。首先从猫开始。拥有一个检测猫的系统。然后将同样的方法应用到狗身上。比如说有 40 个系统，可以检测不同的动物，并在以后将它们用于您的目的。
- 对于训练，不要使用被遮挡的物体作为正样本。即，如果您想检测正面，则仅应用位置和方向变化来训练正面，而不包括其前面的任何其他对象。
- 缩小尺寸并不重要，因为 haar 分类器本身会将所有内容缩小到 24x24。当你有足够的时间时，观看整个中提琴琼斯的演示。
- 祝你好运。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
