用boosting構建簡單的目標分類器
原文
boosting提供了一個簡單的框架，用來構建魯棒性的目標檢測算法。這里提供了必要的函數來實現它：100% MATLAB實現，作為教學工具希望讓它簡單易得。當然，用作實時應用還遠遠不夠。
配置
下載數據集
下載LabelMe工具箱
解壓并修改initpath.m中的路徑
修改parameters.m中images和annotations的路徑
函數說明
初始化
initpath.m - 添加必要的path。運行前務必調用它。
paameters.m - 包含眾多用于配置分類器和數據集的參數。
Boosting工具
demoGentleBoost.m - GentleBoost的一個簡單的例子，在二維空間使用stumps(決策樁)作為弱分類器
腳本
createDatabases.m - 從LabelMe數據集創建訓練和測試數據
createDictinary.m - 從目標對象中創建一個濾波模版字典(??不理解，源碼看不懂)
computeFeatures.m - 預先計算所有圖像的特征并存儲。正樣本是目標外界矩形框crop出來的，負樣本是從背景中稀疏取得的
trainDetector.m - 從LabelMe數據集創建訓練和測試數據
runDetector.m - 在測試圖像上運行檢測器
特征和弱分類器
convCrossConv.m - 弱分類器：用一個局部的模版。。。（不懂。。。不理解作者原文的英文都是什么確切含義）
檢測器
singleScaleBoostedDetector.m - 在測試圖的單尺度上運行強分類器，算出bboxes和scores
LabelMe工具箱
LabelMe - 包含了用于操作數據集的工具函數
例子
配置
首先運行initpath.m并修改parameters.m中的文件夾路徑
Boosting
先運行demoGentleBoost.m
此Demo會先讓你手動創建二維樣本散點（鼠標左鍵：正樣本；鼠標右鍵：負樣本）。由于弱分類器是決策樁，它只能區分平行于坐標軸的數據。如果你把弱分類器設定為帶方向的直線，那么結果中兩個類別的邊界將會很有趣。
然而，決策樁(stumps)在目標檢測中很常用，因為它們能被用來有效地做特征選擇。此Demo也會顯示決策樁的缺陷(限制)。在目標檢測中通過使用非常多的特征，能夠補償其中的一些缺陷。
數據庫的大概模樣
下面是從LabelMe數據庫中隨機選取的一些圖像。包含car(側視)和scene(前視)，它們都經過了尺度歸一化處理。createDatabases.m展示了這些數據是如何被創建的。
如果你下載了整個數據集，那么第一件事就是修改parameters.m中的路徑。然后運行createDatabase.m來讀取annotation文件并創建一個結構體（后續用于查詢工具）。關于這個查詢工具是如何工作的，詳情請看LabelMe Toolbox
運行檢測器
訓練自己的分類器之前，嘗試運行runDetector.m。如果一切順利，輸出類似下圖：
例如，訓練出來的分類器在汽車側視圖上的檢測結果：
訓練自己的分類器
要訓練自己的分類器，需要準備自己的訓練和測試數據。如果你想從LabelMe數據集里選取圖像用作訓練和測試，那你只需要修改parameters.m中的object的名字。同時，在parameters.m中你還可以修改訓練參數，比如訓練圖像數量，模版(patch)尺寸，目標尺寸(scale of object)，負樣本數量等。
createDictinary.m會創建“模版詞匯表”(??vocabulary of patches)，用于特征計算
computeFeatures.m會預先為所有訓練圖像計算特征
trainDetector.m會使用Gentle Boosting[1]創建分類器
這里面每一個程序都會增加信息到data這個結構體變量，比如預計算的特征，用于訓練的圖像列表，特征字典，分類器參數
最后，使用runDetector.m，你可以運行新訓練的分類器。
多尺度分類器
為了構造多尺度分類器，你需要逐尺度處理，比如：
scalingStep = 0.8;
for scale = 1:Nscales
img = imresize(img, scalingStep, 'bilinear');
[Score{scale}, boundingBox{scale}, boxScores{scale}] = singleScaleBoostedDetector(img, data);
end參考文獻
[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.
文章列表
留言列表
