图像检测的嵌套循环永远需要运行100 mil次

Question

我正在为一篇论文做一些工作，我必须在不同的图像上尝试一些滤镜，看看物体是否被检测到。一切都很好，但我的意图是将4个滤镜(对比度，模糊和其他)中的每一个逐渐应用100个不同的度数，看看它在哪里停止正确检测。

我会将它们组合在一起，例如，首先将一些图像导入到帧中，然后尝试通过添加" 0%“对比度、" 0%”模糊、"0%“调整大小、"0%”噪声、下一轮1%对比度、其他图像都为0%、然后是2%对比度、其他图像为0%来进行检测，直到对比度达到100%。下一个循环应该做同样的事情，但是有1%的模糊，0%的调整大小，0%的噪声。然后是2%模糊，0%，0%，等等--所有的组合。

但这意味着它需要进行100^4次迭代(如果我想要100度和4个过滤器，则需要1亿次迭代)。我目前用OpenCV实现的YOLOv3-320以大约0.5秒的速度执行检测。这意味着完成一张图片的测试大约需要580天。

def tester(depth, correct_answer):
container_a = []

for a in range(depth):
    print((a*(100/depth)))
    frame1 = apply_sepia(frame, int((a*(100/depth))))
    container_b = []

    for b in range(depth):
        frame2 = apply_blur(frame1, int((b*(100/depth))))
        container_c = []

        for c in range(depth):
            frame3 = sp_noise(frame2, int((c*(100/depth))))
            container_d = []

            for d in range(depth):
                frame4 = image_resize(frame3, int((d*(100/depth))))

                try:
                    net.setInput(cv.dnn.blobFromImage(frame4, 1/255, (vers, vers), [0,0,0], 1, crop=False))
                    result = postprocess(net.forward(getOutputsNames(net)))

                    if result == correct_answer:
                        container_d.append(1)
                    else:
                        container_d.append(0)

                except Exception as e:
                    container_d.append(0)

            container_c.append(container_d)

        container_b.append(container_c)

    container_a.append(container_b)

return container_a

我怎么才能加快速度呢？

Answer 1

我将把这作为一个答案，以便有更多的空间来说明我的观点。

我用“高参数分辨率”这个术语来描述小步迭代你的参数。

假设你的算法在18%的噪声下失败了，而噪声是你唯一变化的东西。

然后，执行1%的增量将导致您的对象检测在您运行的第19次迭代中失败。

使用更大的步骤进行筛选，例如10%，当您测试20%的噪声时，将导致您的算法在第三次迭代中失败。然后，你就知道你的算法在10%到20%的噪声之间失败了。你现在可以使用像bisection这样的东西来询问，如果算法失败超过或低于15%，那么在这之后，高于或低于17.5%。

因此，在这种方法中，您总共运行算法五次，并得到与暴力方法相同的答案。