Cách nhanh chóng để phân biệt các đối tượng tương tự với nhau bằng các tính năng riêng biệt trên một đối tượng

Question

Tôi đã tạo một trình phân loại (dựa trên các tính năng của HoG) có thể nhận ra các xe lớn (xe buýt và xe tải). Nhưng tôi cũng muốn có thể phân biệt giữa xe buýt và xe tải. Điều này gây ra vấn đề vì cả hai phương tiện đều lớn và dài. Dưới đây là một ví dụ từ dữ liệu huấn luyện của tôi:

Như bạn có thể thấy, đó là một chiếc xe tải và một xe buýt, nhìn từ quan điểm tương tự, nhưng phân loại không nhìn thấy chúng khác biệt.

Vì tôi đã xây dựng trình phân loại của mình, có cách nào dễ dàng (không xây dựng lại trình phân loại hiện có) mà tôi có thể thêm làm giai đoạn thứ hai để phân biệt giữa xe tải và xe buýt?

Tôi đã suy nghĩ dọc theo các dòng của tính năng SIFT phù hợp bằng cách nào đó ... để nắm bắt rằng nhô ra đầu xe tải ở phía trước. Nhưng tôi đã không sử dụng nó trước và không chắc chắn nếu nó sẽ được áp dụng ở đây.

Answer 1

Tôi hiểu rằng các thiết bị dò hiện tại của bạn sẽ cố gắng phân biệt các xe buýt và xe tải từ các vật khác. Giả sử rằng nó khác các đối tượng khác tốt và có vấn đề khác nhau giữa xe buýt và xe tải, bạn có thể thêm một phân loại chuyên ngành trên nó.

Mục tiêu của trình phân loại thứ hai phải khác nhau giữa các xe buýt và xe tải, được phân loại đầu tiên. Do đó bạn nên đào tạo nó trên các thực thể mà trình phân loại đầu tiên xem là xe tải hoặc xe buýt (bỏ qua xe buýt và xe tải không được phân loại bởi bộ phân loại đầu tiên). Do các mẫu sử dụng phân loại thực sự của chúng làm khái niệm (không phải là dự đoán của trình phân loại đầu tiên). Làm như vậy, bạn buộc trình phân loại thứ hai tập trung vào ranh giới giữa xe buýt và xe tải. Trong ranh giới này các tính năng như kích thước trở nên không thích hợp vì cả xe buýt và xe tải đều lớn và do đó người phân loại sẽ bị buộc phải tìm các tính năng liên quan khác.

Sau đó, bạn sẽ soạn bộ phân loại và nếu trình phân loại đầu tiên sẽ xuất ra một bus hoặc xe tải, bạn nên trả về kết quả của bộ phân loại thứ hai.

Kỹ thuật này thực sự là một trường hợp đặc biệt của boosting, gần với tinh thần của thuật toán Schapire từ The Strength of Weak Learnability