маркировка dlib для обнаружения объектов — обнаруживает только 60%

У меня вопрос по обнаружению объектов с помощью dlib. Я хочу обнаружить бороду на лице. поэтому я маркирую, как показано ниже

[image[1]

typedef scan_fhog_pyramid<pyramid_down<6> > image_scanner_type; 
image_scanner_type scanner;
scanner.set_detection_window_size(80, 80); 
structural_object_detection_trainer<image_scanner_type> trainer(scanner);

Я обучил 400 изображений. но процент обнаружения равен 60. Он обнаруживает даже отсутствие бороды, я думаю, это потому, что я пометил no_beard, поэтому он обнаруживает (может быть). Кажется, моя маркировка неверна, я просто хочу обнаружить только бородатое лицо. Итак, в этом случае мне нужно пометить только лицо с бородой? или мой я должен пометить бороду и no_beard? что происходит не так? для справки я использую введите здесь описание ссылки


c++ dlib
person Saha    schedule 07.11.2017    source источник

Ответы (1)


arrow_upward
3
arrow_downward

Если вы ничего не меняете, способ обучения по умолчанию выглядит следующим образом: xml файл. Где он обучает только объекты как прямоугольные блоки (все блоки имеют почти одинаковое соотношение ширины и высоты).

Он не тренирует никакие метки, поэтому я бы посоветовал вам тренировать только изображения бороды как объекта. Если у вас достаточно изображений, он должен изучить объект бороды.

Другая идея заключается в том, чтобы определить лицо с помощью обнаружения лица MMOD от dlib. а затем тренируйте изображения бороды.

Обязательно сохраняйте изображения без бороды без аннотаций на тренировке, чтобы она учится.

person Ultraviolet    schedule 07.11.2017
comment
Даа, мой подход состоит в том, чтобы использовать MMOD для распознавания лиц, а затем тренировать изображения бороды. мой вопрос заключался в том, аннотировать изображения без бороды или нет. спасибо за быстрое предложение. Я оставлю изображения без бороды без аннотации. - person Saha; 07.11.2017
comment
да, не комментируйте изображения без бороды. например. оставьте третье изображение в вашем примере пустым, но оставьте его в тренировочном наборе. детектор узнает разницу между ними. - person Ultraviolet; 07.11.2017