图像中的对象检测 (HOG)

Question

我想检测显微镜图像细胞内的物体。我有很多带注释的图像（应用程序。50.000 个带有对象的图像和 500.000 个没有对象的图像）。

到目前为止，我尝试使用 HOG 提取特征并使用逻辑回归和 LinearSVC 进行分类。我已经为 HOG 或颜色空间（RGB、HSV、LAB）尝试了几个参数，但我没有看到很大的差异，预测率约为 70%。

我有几个问题。我应该使用多少张图像来训练描述符？我应该使用多少张图片来测试预测？

我已经尝试使用大约 1000 张图像进行训练，这给了我 55% 的肯定和 5000 张，这给了我大约 72% 的肯定。但是，这也很大程度上取决于测试集，有时一个测试集可以达到 80-90% 的正检测图像。

以下是两个包含一个对象的示例和两个没有对象的图像：

另一个问题是，有时图像包含多个对象：

我应该尝试增加学习集的例子吗？我应该如何选择训练集的图像，只是随机的？我还能尝试什么？

任何帮助将不胜感激，我刚刚开始发现机器学习。我正在使用 Python（scikit-image 和 scikit-learn）。

Answer 1

我认为您走在正确的道路上，但让我提出一些注意事项：

1 - 训练集的数量在分类中总是很重要的 问题（通常，越多越好）。但是，你必须有好的注释 并且您的方法应该对异常值具有鲁棒性。

2 - 从您放置的图像来看，颜色直方图似乎会 比 HOG 更有辨别力。当使用颜色直方图时，我通常会去 用于具有相关 a-b 直方图的 Lab 颜色空间。 L 是亮度和 非常依赖于图像采集（例如亮度）。一种方法 用于重新识别行人的方法是将图像划分为 块并计算这些块内的直方图。这个可以 乐于助人。

3 - 测试分类方法的最佳方法是交叉验证： http://en.wikipedia.org/wiki/Cross-validation_%28statistics%29#k-fold_cross-validation

4 - 您是否尝试过其他分类器？ Weka 可能会很有趣 轻松测试不同的方法/参数： http://www.cs.waikato.ac.nz/ml/weka/

5 - 最后，如果你仍然有不好的结果并且不知道哪个 你应该使用的那种特性，你可以应用深度神经网络 给它！

希望对你有帮助。