在训练一个健壮的级联分类器时要考虑的建议？

Question

我正在训练一个级联分类器，以便在图像中检测动物。不幸的是，我的假阳性率相当高(使用Haar和LBP的超高，用HOG可以接受)。我在想如何改进我的分类器。

以下是我的问题：

• 要进行稳健的检测，需要多少训练样本？我在某些地方读过，需要4000 pos和800neg样本。这是个不错的估计吗？
• 培训样本应该有多大的不同？是否有办法量化图像差异，以包括/排除可能的“重复”数据？
• 我应该如何处理被遮挡的物体？我应该只训练动物中可见的部分，还是应该选择我的ROI，使平均ROI保持不变？
• 再闭塞的物体:动物有腿，手臂，尾巴，头等。由于身体的某些部分往往被遮挡，选择‘躯干’作为ROI有意义吗？
• 我应该试着缩小我的图像的比例，并对更小的图像进行培训吗？这可能会改善情况吗？

我在这里接受任何指点！

Answer 1

• 4000 pos-800 neg是一个糟糕的比率。对于负样本，您需要尽可能多地训练您的系统，因为Adaboost ML算法 -the核心算法适用于所有类似haar的特征选择过程--高度依赖于它们。使用4000 / 10000将是一个很好的增强。
• 检测“动物”是一个很难的问题。由于您的问题是一个决策过程，这个过程已经是NP-硬，因此您的分类范围越来越复杂。先从猫开始。有一个检测猫的系统。然后同样的应用到狗身上。有40种系统，检测不同的动物，然后将它们用于你的目的。
• 对于训练，不要使用被遮挡的对象作为阳性。也就是说，如果你想要检测正面的脸，然后训练正面的脸，只应用位置和方向的变化，而不包括它前面的任何其他物体。
• 降尺度并不重要，因为haar分类器本身将所有事物缩小到24x24。当你有足够的时间时，看完整的中提琴-琼斯演示。
• 祝好运。