远不如物体分类器的物体检测器的解决方案答案

【问题标题】：Solution for object detectors that are far worse than object classifiers远不如物体分类器的物体检测器的解决方案
【发布时间】：2015-01-06 11:12:01
【问题描述】：

我已经构建了一个分类器，它在对某些感兴趣的对象进行分类时具有很高的准确度，给定的图像只关注那些对象。

但是，当将相同的分类器应用于使用选择性搜索或滑动窗口扫描较大图像的对象检测器时，检测器的性能非常低。

我不明白为什么。这在计算机视觉中正常吗？解决办法是什么？

【问题讨论】：

标签： computer-vision object-detection haar-classifier cascade-classifier

【解决方案1】：

您必须更具体。 “低得可怜”是什么意思？您是否看到很多误报？很多假阴性？另外，您要检测什么样的物体？

要记住的一件事是，当您进行滑动窗口对象检测时，您通常会在感兴趣对象的实际位置周围进行多次检测。处理此问题的常用方法是合并重叠检测。例如，MATLAB 的计算机视觉系统工具箱为此提供了selectStrongestBbox 函数。

另一个可能的问题是感兴趣对象的纵横比变化。通常，当您训练级联分类器时，所有正图像的大小都会调整为相同的“训练大小”（例如 32x32 像素）。然后，当你做滑动窗口时，你的窗口的纵横比与训练大小的纵横比相同。只有当您感兴趣的对象的纵横比保持大致相同时，这才会产生良好的检测精度。例如，这适用于面部。这不适用于具有不同纵横比的一类对象，例如既包括普通汽车又包括加长豪华轿车的类别。

当然，不要忘记 haar 级联检测器不能很好地容忍平面内或平面外旋转。

【讨论】：

我看到了大量的误报。在 100 张图像中，我检测到了大约 60 个真阳性，但有超过 1000 个假阳性。我正在检测车辆，使用多类版本的级联gentleboost分类的python实现。令人沮丧的是，我的意思是低至大约 0.02 的精度。但在进行分类时，同一分类器的准确率在 70% 左右。
您要合并重叠检测吗？也许你也可以使用更多的负面图像。听起来你的分类器没有你想象的那么好。