图像中的对象检测(HOG)
sno*_*ake 7 python image object-detection scikit-learn scikit-image
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(带有对象的应用程序50.000个图像和没有对象的500.000个图像).
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？
我已经尝试了大约1000张图像用于训练,这给了我55%的正面和5000,这给了我大约72%的正面.但是,它也很大程度上取决于测试集,有时测试集可以达到80-90%的正检测图像.
以下是包含对象和两个没有对象的图像的两个示例:
另一个问题是,有时图像包含几个对象:
我应该尝试增加学习集的示例吗？我该如何选择训练集的图像,只是随机的？我还能尝试什么？
任何帮助都将非常感激,我刚开始发现机器学习.我正在使用Python(scikit-image和scikit-learn).
我认为你走在正确的道路上，但让我提出一些注意事项：
1 - 训练集的数量在分类问题中始终很重要（通常越多越好）。但是，您必须有良好的注释，并且您的方法应该对异常值具有鲁棒性。
2 - 从您放置的图像来看，颜色直方图似乎比 HOG 更具辨别力。使用颜色直方图时，我通常会选择具有相关 Ab 直方图的 Lab 颜色空间。L 是亮度并且非常依赖于图像采集（例如亮度）。用于重新识别行人的一种方法是将图像划分为块并计算这些块内的直方图。这可能会有所帮助。
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 可以非常有趣地轻松测试不同的方法/参数： http://www.cs.waikato.ac.nz/ml/weka/
5 - 最后，如果你的结果仍然不好并且不知道应该使用哪种特征，你可以对其应用深度神经网络！
希望能帮助到你。