加入辅助判决函数时,训练策略
由bootstrap略作变动,将调整AdaBoost阈值变为调整辅助判决函数的阈值
训练过程中,会导致TP与FP均非常高的局面
比如1000正样本与1000负样本
训练过程中变为1000正样本与5负样本
此时训练,无论怎样训练,AdaBoost都认为样本为真
于是TP=1,FP=1
训练程序无法处理这种情况,将陷入死循环
这是因为加入辅助判决函数的目的是为了提高检测率(TP),只有当检测率较低时,才能起到作用
而此时检测率已经非常高了,辅助判决函数无法起到作用
此时亦无法通过调整阈值的方式调整FP
bootstrap有效的一个原因是:当分类器阈值调低时,能使得检测率上升
而加入辅助判决函数后,调整辅助判决函数的阈值,却无法坐倒这一点。
比较:
bootstrap训练级联分类器的实质是,在保证检测率的基础上,使误检率尽可能的低
通过增加弱分类器数目来保证误检率较低
通过降低阈值来保证检测率达到要求
而加入辅助判决函数后的目的为:在误检率满足要求的基础上,使检测率尽可能的高
降低辅助判决函数的阈值只能提高检测率,而不能降低误检率
问题:为社么增加弱分类器数量,而误检率仍然较高?为社么?
因为没有改变 AdaBoost 的阈值,一些被AdaBoost误判为真的样本 一直被判为真
因而无法在训练中降低误检率
因此,必须在训练中修改 AdaBoost 的阈值
问题:如何修改呢?
先调整AdaBoost的阈值,使误检率达到要求,然后再调整辅助判决函数的阈值,使检测率尽量达到要求
即首先升高AdaBoost的阈值,使误检率较低
然后再降低辅助判决函数的阈值,升高检测率
调整一次的整体效果仍然是使检测率满足要求
仍然无法使误检率达到要求???Why?
分享到:
相关推荐
haartraining+objectmarker,opencv,Adaboost级联分类器训练工具包,里面包含所有用来训练opencv里基于haar特征的adaboost级联分类器的工具,可以用来训练人脸检测,车辆检测等对象检测的级联分类器
级联AdaBoost作者为Viola和Jones,发表在The 8th IEEE International Conference On Computer Vision,2001。这篇论文的发表是人脸检测速度提高的一个重要转折点
级联分类器下载,训练模型 下载直接可用
VS2010+opencv2.4.3利用HOG特征训练级联分类器,训练步骤网上有很多,这是训练代码,在属性-命令-命令参数中输入训练参数即可。
opencv训练行人检测级联分类器正样本数据,92个,彩色版,尺寸都不同,自行用代码转尺寸,如果要灰度图也自行用代码转
各类opencv级联分类器,眼睛,人脸,全身,半身级联年分类器,可人脸检测、眼睛检测、行人识别等。
haarcascade_eye.xml: 用于眼睛检测的级联分类器模型 haarcascade_eye_tree_eyeglasses.xml: 用于眼镜和眼睛联合检测的级联分类器模型 haarcascade_fullbody.xml: 用于全身人体检测的级联分类器模型 haarcascade_...
基于OpenCV的级联分类器识别中国象棋棋子python源码+象棋分类数据集+项目说明+注释拉...使用级联分类器训练分类模型。 recognize.py: 测试模型效果,TestPicture文件夹中有几张测试图片,也可直接处理摄像头实时画面。
基于级联Adaboost和神经网络主元分析算法的人脸检测系统.pdf
使用OpenCV的Haar特征训练身份证级联分类器的训练环境
基于级联的Adaboost分类器,亲测可以使用,效果很好,含注释,含数据集
眼睛,脸等各种.xml级联分类器和模板匹配。。。。。。。
车辆识别所需的级联训练分类器文件
人工智能_机器学习_人脸识别_OpenCV之级联分类器CascadeClassifier_Python代码实现
视频读取 #include #include using namespace std; using namespace cv; String Haar_fileName = haarcascade_frontalface_alt.xml;//Haar String LBP_fileName = lbpcascade_frontalface.xml;...
Haar 人脸识别 特征分类器 人脸检测级联分类器,我是用FaceNet和这个资源搭配使用的,FaceNet的预训练模型可以看我上传的资源。
haar级联分类器, haarcascades,cv2版本3.4.2.16,一共17个xml,用于脸部、眼部、身体等的检测、识别。
②级联分类器原理AdaBoost Viola和Jones,2001在CVPR提出; 一种实时对象(人脸)检测框架; 训练速度非常慢,检测速度非常快; 5000个正向人脸样本与300万个非人脸负样本数据。 级联分类器:多个强分类器组合 弱分类器:weak...
级联SVM分类器可以通过设定阈值将识别难易程度不同的样本分成若干层次来进行训练;同时,在级联的每一层上,为了降低分类器在识别过程中受各种因素的影响,对不同特征维数下得到的最优分类器进行融合,通过融合减小...
结果表明,快速旋转的Kerr黑洞的特征在于无因次比τgap/τ... 这种关系意味着快速旋转的黑洞产生的霍金级联具有几乎连续的特征。 我们的结果纠正了最近在文献中出现的有关霍金黑洞蒸发过程本质的一些不准确的说法。