4

画像処理における機械学習の問題に取り組んでいます。勾配方向ヒストグラム (HOG) とサポート ベクター マシン (SVM) を使用して、画像内のオブジェクトの位置を取得したいと考えています。SVM のトレーニングに関する記事とチュートリアルをいくつか読みました。セットアップはかなり標準的です。ポジティブ トレーニング イメージにラベルを付けたので、ネガティブ トレーニング サンプルのセットを生成する必要があります。

文献では、位置をランダムに選択してネガティブ トレーニング サンプルを生成するアプローチが非常によく見られます。また、ランダムなネガティブ サンプルを選択する一連のステップで、検出の誤検知がネガティブ トレーニング サンプルとして再び使用されるアプローチもいくつか見てきました。しかし、最初からこのアプローチを一般的に使用することはできなかったのではないかと思います。そのため、偽のトレーニング サンプルを 1 つだけランダムに生成し、検出を実行して、偽陽性をネガティブ トレーニング セットに再び入れます。これは私には非常に明白な戦略のように思えますが、何かが欠けているのではないかと思います。

4

3 に答える 3

3

この方法の背後にある理論は、P. Felzenszwalb、R. Girshick、D. McAllester、D. Ramanan による PAMI 論文のObject Detection with Discriminatively Trained Part Based Modelsで説明されています。本質的に、最初の負のセットは問題ではありません。ハード サンプルを繰り返し追加すると (SVM マージン > -1)、常に同じ分類器に収束します。単一の負から始めると、この収束が遅くなります。

于 2012-08-02T10:31:31.660 に答える
3

私には、SVM 分類器をオンライン/インクリメンタルにトレーニングしたい、つまり分類器を新しいサンプルで更新したいように思えます。通常、このような方法は、時間の経過とともに新しいデータが利用可能になった場合にのみ使用されます。あなたの場合、負のトレーニング サンプルのセット全体を生成できるように思われるため、段階的にトレーニングする必要はありません。私は、1回の実行で分類器をトレーニングする方が、これを段階的に行うよりも優れていると言いがちです（larsmansが示唆しているように）。

于 2012-08-01T14:53:28.760 に答える
0

(繰り返しますが、私は画像処理の専門家ではないので、これは大まかに理解してください。)

最初からこのアプローチを一般的に使用できなかったのではないかと思います。

分類の実行から誤検知を検出する何らかの方法が必要です。そのためには、グラウンド トゥルース、つまりループ内に人間が必要です。実際には、アクティブ ラーニングを行っていることになります。それがあなたのやりたいことなら、手作業でラベル付けされた一連の否定的な例から始めることもできます.

または、これをPU 学習問題として設定することもできます。それが画像でうまくいくかどうかはわかりませんが、テキスト分類ではうまくいくことがあります。

于 2012-08-02T09:43:01.690 に答える