Ausbildung benutzerdefinierte SVM zur Verwendung mit HOGDescriptor in OpenCV

Ich versuche zu trainieren, meinen eigenen Detektor für die Verwendung mit OpenCV::HOGDescriptor aber ich habe Schwierigkeiten damit, die vorhandenen HOGDescriptor Arbeit mit meinem neu trainierten SVM.

Habe ich berechnet HOG-Funktionen für positiv-und negativ-training-Bilder, beschriftet Sie und trainiert die SVM mit CvSVM. Die Parameter, die ich verwendet habe sind:

    CvSVMParams params;
    params.svm_type =CvSVM::EPS_SVR;
    params.kernel_type = CvSVM::LINEAR;
    params.C = 0.01;
    params.p = 0.5;

Dann berechne ich Ur-Form der support-Vektoren, so dass ich nur noch einen vector, statt viele und setzen Sie die berechneten support-Vektor mit HOGDescriptor.setSVMDetector(Vektor);

Dies ist die Ur-Form

Wenn ich CvSVM.predict() ich bin in der Lage, richtig zu klassifizieren von Objekten mit dem SVM, aber HOGDescriptor.detect() oder detectMultiScale() gibt immer eine Menge von positiven Treffern und nicht präzise Vorhersagen.

CvSVM.Vorhersagen, ( - ) nutzt die original support-Vektoren für die Einstufung so könnte es etwas falsch mit der Art, wie ich bin, Berechnung einfacher form.

Gibt es jemanden, der trainiert hat, in Ihren eigenen Detektor, der kann mir in die richtige Richtung?

es scheint, als ob das ein bug von libsvm geerbt wurde, in dem die Reihenfolge der Bezeichnungen Durcheinander kommen. Die predict-Funktion bewusst ist, um und sieht nach oben, das label ist das, und so funktioniert einwandfrei. Ich löste das Problem durch die Einstellung meiner +ve-label, um eine Zahl, die kleiner ist als meine -hab ich.e-pos = 1, neg = 2. andernfalls müssen Sie möglicherweise " umkehren Modell durch Multiplikation mit -1. (dies ist, warum akzeptierte Antwort, die seltsamen negativen Vorzeichen). Ich entschied, es nicht zu tun, die Art und Weise, in-Fall Sie den Fehler beheben (es ist nicht wirklich ein Fehler, wenn Sie Vorhersagen, aber Sie ändern könnte)

InformationsquelleAutor Jompa234 | 2013-03-11

  1. 5

    Schrieb ich eine Kind-Klasse von CvSVM zu extrahieren ur-form nach eine lineare svm trainiert wird. Positive Proben werden mit der Bezeichnung 1 und negative Proben sind mit -1. Es ist seltsam, dass ich negative Zeichen vor der alphas und verlassen das Vorzeichen von rho unverändert, um korrekte Ergebnisse aus HogDescriptor.

    LinearSVM.h

    #ifndef LINEAR_SVM_H_
#define LINEAR_SVM_H_
#include <opencv2/core/core.hpp>
#include <opencv2/ml/ml.hpp>

class LinearSVM: public CvSVM {
public:
  void getSupportVector(std::vector<float>& support_vector) const;
};  

#endif /* LINEAR_SVM_H_ */

    LinearSVM.cc

    #include "linear_svm.h"    
void LinearSVM::getSupportVector(std::vector<float>& support_vector) const {

    int sv_count = get_support_vector_count();
    const CvSVMDecisionFunc* df = decision_func;
    const double* alphas = df[0].alpha;
    double rho = df[0].rho;
    int var_count = get_var_count();
    support_vector.resize(var_count, 0);
    for (unsigned int r = 0; r < (unsigned)sv_count; r++) {
      float myalpha = alphas[r];
      const float* v = get_support_vector(r);
      for (int j = 0; j < var_count; j++,v++) {
        support_vector[j] += (-myalpha) * (*v);
      }
    }
    support_vector.push_back(rho);
}
    Sehr schöne Lösung, nur eine kleine Frage @DXM: die Umwandlung in die ursprüngliche form funktioniert nur für Liner SVM, was ist wenn ich mit RBF-Kernel?
    Ich habe nicht geschaut in den Quellcode mit RBF-kernel in opencv. Aber meine Vermutung ist, sobald du die kernel auf Ihre Funktionen, sollte es die gleiche wie die lineare svm.
    Dies kann sehr langsam sein IMHO. Rbf-kernel berechnen der euklidischen Entfernungen zwischen den features und alle svm support-Vektoren. Werfen Sie einen Blick auf Vorhersagen Methode code. Ich bin neugierig, über die Art und Weise Sie wurden unter Berücksichtigung der Umsetzung...
    Was ist 'decision_func'? Wo kam es aus?
    decision_func ist geerbt von CvSVM.

    InformationsquelleAutor DXM

  2. 4

    Ich war kämpfen mit dem gleichen problem. Suche Foren, die ich gefunden habe, dass der Detektor nicht geschult mit CvSVM (ich weiß nicht den Grund). Ich LIBSVM verwendet für die Ausbildung, die den Detektor. Hier ist der code zum extrahieren der Detektor für HOGDescriptor.setSVMDetector( w): Daten Für details siehe LIBSVM Dokumentation/header. Ich habe alle Schulungen in C++, füllen Sie die Trainingsdaten im LIBSVM von CV zu LIBSVM; der folgende code extrahiert die Detektor-Vektor benötigt für die cv::HOGDescriptor. Der w-parameter ist std::vector<float> w

        const double * const *sv_coef = model.sv_coef;
const svm_node * const *SV = model.SV;
int l = model.l;
model.label;

const svm_node* p_tmp = SV[0];
int len = 0;
while( p_tmp->index != -1 )
{
    len++;
    p_tmp++;
}
w.resize( len+1 );

for( int i=0; i<l; i++)
{
    double svcoef = sv_coef[0][i];
    const svm_node* p = SV[i];
    while( p->index != -1 )
    {
        w[p->index-1] += float(svcoef * p->value);
        p++;
    }
}
w[len] = float(-model.rho[0]);

    Hoffe, das hilft...

    Haben Sie versucht, diesen code? Scheint zu erkennen, +ve sogar in falschen Bildern.

    InformationsquelleAutor Igi

  3. 0

    Von was ich gelesen habe in Dala ' s Papier über HOG-Detektor, er schlage vor, zu entfernen false positives, wir müssen umschulen unser Modell. Die Umschulung erfolgt durch die Anwendung der vorläufigen Modell (dein Modell, das gibt viele false positives), dann erkennen Sie Objekte in allen negativen Probe Bilder. Alle zurückgegebenen Rechtecke würde auf jeden Fall false-positives.

    Dann, fügen Sie alle diese false positives zum negativen Beispiel-Bilder (negative dataset) do wieder training. Das daraus resultierende Modell, wie vorgeschlagen, in der Papier -, werden wieder viel weniger false-positives.

    Leider aber habe ich versucht, die (re-training), aber das resultierende Modell einfach nicht erkennen alles, auch auf das positive image samples. Aber ich denke, es ist einen Versuch Wert, weil es das war, was vorgeschlagen wird, in der Erfinder-das Papier über die HOG-Detektor

    InformationsquelleAutor bonchenko

Schreibe einen Kommentar