DLIB：为 194 个地标训练 Shape_predictor（海伦数据集）

Posted 2023-03-16

【中文标题】DLIB：为 194 个地标训练 Shape_predictor（海伦数据集）

【英文标题】：DLIB : Training Shape_predictor for 194 landmarks (helen dataset)

【发布时间】：2016-08-22 20:20:58

【问题描述】：

我正在使用 helen dataset 为 194 个面部特征点训练 DLIB 的 shape_predictor，该数据集用于通过face_landmark_detection_ex.cpp 检测面部特征点dlib 库。

现在它给了我一个大约 45 MB 的 sp.dat 二进制文件，与 68 个面部标志的给定文件 (http://sourceforge.net/projects/dclib/files/dlib/v18.10/shape_predictor_68_face_landmarks.dat.bz2) 相比，它要小。训练中

平均训练误差：0.0203811 平均测试误差：0.0204511

当我使用经过训练的数据来获取面部地标位置时，我得到了结果..

与从 68 个地标得到的结果相差很大

68 地标图片：

为什么？

【问题讨论】：

编辑链接，添加图片。

我认为您的问题是 - 为什么？

你用什么参数训练这个集合？如果我记得有一些设置可以让它训练的时间更长、更难……

@LamarLatrell 我正在使用 300 张用于训练的图像和 20 张用于测试的图像进行训练，我准备了 training_with_face_landmarks.xml 和 testing_with_face_landmarks.xml 文件，其中指定了每个图像的位置，其中指定了一张具有 194 个地标的脸。

@NAYA，你能分享你的 194 点数据库吗？ 194分数据库有参考吗？谢谢。

【参考方案1】：

好的，看来你还没有读过code cmets (?)：

shape_predictor_trainer trainer;
// This algorithm has a bunch of parameters you can mess with.  The
// documentation for the shape_predictor_trainer explains all of them.
// You should also read Kazemi's paper which explains all the parameters
// in great detail.  However, here I'm just setting three of them
// differently than their default values.  I'm doing this because we
// have a very small dataset.  In particular, setting the oversampling
// to a high amount (300) effectively boosts the training set size, so
// that helps this example.
trainer.set_oversampling_amount(300);
// I'm also reducing the capacity of the model by explicitly increasing
// the regularization (making nu smaller) and by using trees with
// smaller depths.  
trainer.set_nu(0.05);
trainer.set_tree_depth(2);

看看Kazemi paper，ctrl-f 字符串'parameter'并读一读...

【讨论】：

我增加了参数值，但现在它显示运行时错误 bad allocation ，这意味着新操作员无法为新变量分配内存。更大的树深度是否需要更多的内存。

您好！你能准确地说出我应该使用哪些参数来提高准确性吗？因为我已经用不同的参数（nu、tree_depth、cascade_depth）训练了几个预测器，我得到了几乎相同的结果（我得到了类似 TS 结果的结果）。任何额外的帮助都会很有用！