algorithm - 训练强大的级联分类器时要考虑的建议？

Question

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 时非常高，使用 HOG 时可以接受)。我想知道如何改进我的分类器。

这是我的问题:

• 可靠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。这是一个很好的估计吗？
• 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？
• 我应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 ROI 以使平均 ROI 相当恒定？
• 重新遮挡物体:动物有腿、 ARM 、尾部、头等。由于 body 的某些部位经常被遮挡，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？这可能会改善情况吗？

我愿意在这里接受任何指点!

Answer 1

• 4000 pos - 800 neg 是一个糟糕的比例。负样本的问题是你需要尽可能多地训练你的系统，因为 Adaboost ML algorithm - 所有类似特征选择过程的 haar 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。由于你的问题是一个决策过程，这已经是 NP-hard ，您正在增加分类范围的复杂性。先从猫开始。有一个检测猫的系统。然后将相同的方法应用于狗。拥有，比如说 40 个系统，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例。即，如果您想检测正面，则训练正面仅应用位置和方向变化，而不包括正面的任何其他物体。
• 缩小比例并不重要，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，观看完整的 viola-jones 演示。
• 祝你好运。