【译】用boosting构建简单的目标分类器

简介: 用boosting构建简单的目标分类器原文boosting提供了一个简单的框架,用来构建鲁棒性的目标检测算法。这里提供了必要的函数来实现它:100% MATLAB实现,作为教学工具希望让它简单易得。

用boosting构建简单的目标分类器

原文
boosting提供了一个简单的框架,用来构建鲁棒性的目标检测算法。这里提供了必要的函数来实现它:100% MATLAB实现,作为教学工具希望让它简单易得。当然,用作实时应用还远远不够。

配置

下载数据集
下载LabelMe工具箱

解压并修改initpath.m中的路径
修改parameters.m中images和annotations的路径

函数说明

初始化
initpath.m - 添加必要的path。运行前务必调用它。
paameters.m - 包含众多用于配置分类器和数据集的参数。
Boosting工具
demoGentleBoost.m - GentleBoost的一个简单的例子,在二维空间使用stumps(决策桩)作为弱分类器
脚本
createDatabases.m - 从LabelMe数据集创建训练和测试数据
createDictinary.m - 从目标对象中创建一个滤波模版字典(??不理解,源码看不懂)
computeFeatures.m - 预先计算所有图像的特征并存储。正样本是目标外界矩形框crop出来的,负样本是从背景中稀疏取得的
trainDetector.m - 从LabelMe数据集创建训练和测试数据
runDetector.m - 在测试图像上运行检测器
特征和弱分类器
convCrossConv.m - 弱分类器:用一个局部的模版。。。(不懂。。。不理解作者原文的英文都是什么确切含义)
检测器
singleScaleBoostedDetector.m - 在测试图的单尺度上运行强分类器,算出bboxes和scores
LabelMe工具箱
LabelMe - 包含了用于操作数据集的工具函数

例子

配置
首先运行initpath.m并修改parameters.m中的文件夹路径
Boosting
先运行demoGentleBoost.m

此Demo会先让你手动创建二维样本散点(鼠标左键:正样本;鼠标右键:负样本)。由于弱分类器是决策桩,它只能区分平行于坐标轴的数据。如果你把弱分类器设定为带方向的直线,那么结果中两个类别的边界将会很有趣。
然而,决策桩(stumps)在目标检测中很常用,因为它们能被用来有效地做特征选择。此Demo也会显示决策桩的缺陷(限制)。在目标检测中通过使用非常多的特征,能够补偿其中的一些缺陷。
demoBoosting.jpg
数据库的大概模样
下面是从LabelMe数据库中随机选取的一些图像。包含car(侧视)和scene(前视),它们都经过了尺度归一化处理。createDatabases.m展示了这些数据是如何被创建的。
https://yqfile.alicdn.com/img_a8169e9ecc0c45bfdcf0817bcebd52fa.jpg

如果你下载了整个数据集,那么第一件事就是修改parameters.m中的路径。然后运行createDatabase.m来读取annotation文件并创建一个结构体(后续用于查询工具)。关于这个查询工具是如何工作的,详情请看LabelMe Toolbox

运行检测器
训练自己的分类器之前,尝试运行runDetector.m。如果一切顺利,输出类似下图:
detectorOutput.bmp
detectorPrecisionRecall.bmp

例如,训练出来的分类器在汽车侧视图上的检测结果:
carDetectorOutput.bmp

训练自己的分类器
要训练自己的分类器,需要准备自己的训练和测试数据。如果你想从LabelMe数据集里选取图像用作训练和测试,那你只需要修改parameters.m中的object的名字。同时,在parameters.m中你还可以修改训练参数,比如训练图像数量,模版(patch)尺寸,目标尺寸(scale of object),负样本数量等。

createDictinary.m会创建“模版词汇表”(??vocabulary of patches),用于特征计算

computeFeatures.m会预先为所有训练图像计算特征

trainDetector.m会使用Gentle Boosting[1]创建分类器

这里面每一个程序都会增加信息到data这个结构体变量,比如预计算的特征,用于训练的图像列表,特征字典,分类器参数

最后,使用runDetector.m,你可以运行新训练的分类器。

多尺度分类器
为了构造多尺度分类器,你需要逐尺度处理,比如:

scalingStep = 0.8;
for scale = 1:Nscales
   img = imresize(img, scalingStep, 'bilinear');
   [Score{scale}, boundingBox{scale}, boxScores{scale}] = singleScaleBoostedDetector(img, data);
end

参考文献

[1] Friedman, J. H., Hastie, T. and Tibshirani, R., "Additive Logistic Regression: a Statistical View of Boosting." (Aug. 1998)

[2] A. Torralba, K. P. Murphy and W. T. Freeman. (2004). "Sharing features: efficient boosting procedures for multiclass object detection". Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR). pp 762- 769.

目录
相关文章
|
存储 缓存 算法
【CMake 基础教程 】深入理解CMake变量:类型、原理及最佳实践
【CMake 基础教程 】深入理解CMake变量:类型、原理及最佳实践
383 0
|
4月前
|
编解码 数据可视化 定位技术
Axure设计数字乡村可视化大屏:从布局到交互的实战经验分享
本文以Axure为工具,分享数字乡村可视化大屏的设计全流程。从需求分析到功能拆解,明确民生、经济、历史文化和空间分布四大维度,将大屏划分为左、中、右三区,涵盖10个统计模块。详细解析了各区域的图表设计与交互实现,如柱状图、环形图、时间轴等,并通过模块化设计和动态交互(如数据联动、弹窗详情)提升用户体验。最后总结避坑指南,强调数据可视化、交互友好及模块复用性,助力实现“数据驱动决策”的核心目标,推动乡村治理数字化转型。
102 5
|
XML 前端开发 JavaScript
前端图形学实战: 从零实现编辑器的图层管理面板和实时缩略图(vue3 + vite版)
前端图形学实战: 从零实现编辑器的图层管理面板和实时缩略图(vue3 + vite版)
258 0
|
数据采集 数据安全/隐私保护 开发者
|
10月前
|
缓存
在 setup 函数中使用 computed 计算属性
【10月更文挑战第23天】在 Vue3 中,`computed` 计算属性为我们提供了一种方便且高效的方式来处理基于其他响应式数据的派生数据。在 `setup` 函数中使用 `computed` 计算属性,可以让我们更好地组织和管理组件的逻辑。
|
Linux
【Linux 或Mac系统】自动生成项目结构目录并放在README.md文件中
如何在Linux或Mac系统中使用tree命令自动生成项目结构目录,并将其格式化后放入项目的README.md文件中以展示项目结构。
373 1
|
数据挖掘 语音技术
3D-Speaker说话人任务的开源项目问题之视觉信息在说话人日志技术中的问题如何解决
3D-Speaker说话人任务的开源项目问题之视觉信息在说话人日志技术中的问题如何解决
144 0
|
消息中间件 存储 Kafka
Flink 实时数仓(二)【ODS 层开发】
Flink 实时数仓(二)【ODS 层开发】
|
机器学习/深度学习 算法 Python
深入浅出Python机器学习:从零开始的SVM教程/厾罗
深入浅出Python机器学习:从零开始的SVM教程/厾罗