训练稳健的级联分类器时要考虑的建议？

Posted 2023-03-12

【中文标题】训练稳健的级联分类器时要考虑的建议？

【英文标题】：Advice to consider when training a robust cascade classifier?

【发布时间】：2013-06-30 22:23:36

【问题描述】：

我正在训练一个级联分类器以检测图像中的动物。不幸的是，我的误报率非常高（使用 Haar 和 LBP 的误报率非常高，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：

稳健检测所需的训练样本量是多少？我在某处读到需要 4000 个 pos 和 800 个 neg 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？ 我应该如何处理被遮挡的物体？我应该只训练动物的可见部分，还是应该选择我的 ROI 以使平均 ROI 相当稳定？ 重新被遮挡的物体：动物有腿、手臂、尾巴、头等。由于某些身体部位往往被遮挡，所以选择“躯干”作为 ROI 是否有意义？ 我是否应该尝试缩小图像并在较小的图像尺寸上进行训练？这可能会有所改善吗？

我愿意在这里接受任何指点！

【参考方案1】：

4000 pos - 800 neg 是一个糟糕的比率。负样本的问题是您需要尽可能多地训练您的系统，因为Adaboost ML algorithm - 所有类似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，已经是NP-hard，因此您的分类范围正在增加复杂性。先从猫开始。有一个检测猫的系统。然后将同样的方法应用于狗。拥有 40 个系统，可以检测不同的动物，然后将它们用于您的目的。 对于训练，不要使用被遮挡的对象作为正例。即，如果您想检测正面，则只应用位置和方向变化来训练正面，而不包括前面的任何其他对象。 缩小并不重要，因为 haar 分类器本身会将所有内容缩小到 24x24。当您有足够的时间时，观看整个 viola-jones 演示文稿。 祝你好运。

【讨论】：

+1;全面的答案应该让您走上正轨

关于如何处理误报的任何建议？使用我当前的数据，即使我为训练数据提供的 ROI 不与这些圆形对象重叠并且 ROI 比错误检测到的对象大得多，分类器也倾向于拾取小的圆形对象。任何建议如何处理？

请注意，您应用的任何训练模式 (ROI) 都是灰度化、阈值化并缩小到 24x24。只有这样，您的系统才会决定 haar-like features 的重要性。例如，由于您提供的正数 -animals- 有鼻子，所以线特征 (a) 具有重要性（更高的权重）。应该在图像中检测到它，将某物分类为动物。对于底片，反之亦然。 ROI 的大小并不重要。使您的积极因素彼此相似。确保底片没有动物形象。