python - 图像中的对象检测 (HOG)

Question

我想检测显微镜图像细胞内的物体。我有很多带注释的图像(大约 50,000 张带有对象的图像和 500,000 张没有对象的图像)。

到目前为止，我尝试使用 HOG 提取特征并使用逻辑回归和 LinearSVC 进行分类。我已经为 HOG 或颜色空间(RGB、HSV、LAB)尝试了几个参数，但我没有看到很大的差异，预测率约为 70%。

我有几个问题。我应该使用多少图像来训练描述符？我应该使用多少图像来测试预测？

我已经尝试使用大约 1000 张图片进行训练，这给了我 55% 的正面和 5000 张，这给了我大约 72% 的正面。然而，这也很大程度上取决于测试集，有时测试集可以达到 80-90% 的阳性检测图像。

下面是两个包含对象的示例和两个没有对象的图像:

另一个问题是，有时图像包含多个对象:

我应该尝试增加学习集的例子吗？我应该如何选择训练集的图像，只是随机的？我还能尝试什么？

任何帮助将不胜感激，我刚刚开始发现机器学习。我正在使用 Python(scikit-image 和 scikit-learn)。

Answer 1

我认为你走的路是对的，但让我提出一些注意事项:

1 - 训练集的数量在分类中总是很重要问题(通常越多越好)。但是，您必须具有良好的注释并且您的方法应对异常值具有鲁棒性。

2 - 从您放置的图像来看，颜色直方图似乎会比HOG更具辨别力。当使用颜色直方图时，我通常去对于具有相关 a-b 直方图的 Lab 颜色空间。 L 是亮度和非常依赖于图像采集(例如亮度)。一种方法用于重新识别行人的方法是将图像分为 block 并计算这些 block 内的直方图。这个可以有帮助。

3 - 测试分类方法的最佳方法是交叉验证: http://en.wikipedia.org/wiki/Cross-validation_%28statistics%29#k-fold_cross-validation

4 - 你尝试过其他分类器吗？ Weka 可能非常有趣轻松测试不同的方法/参数: http://www.cs.waikato.ac.nz/ml/weka/

5 - 最后，如果您仍然有不好的结果并且不知道是哪一个你应该使用的那种功能，你可以应用深度神经网络对它!

希望对您有所帮助。