Objekterkennung in Bildern (HOG)

Question

Ich möchte Objekte in Zellen von Mikroskopiebildern erkennen. Ich habe viele annotierte Bilder (ca. 50.000 Bilder mit einem Objekt und 500.000 ohne Objekt).

Bisher habe ich versucht, Features mit HOG und Klassifizierung mit logistischen Regression und LinearSVC zu extrahieren. Ich habe verschiedene Parameter für HOG oder Farbräume (RGB, HSV, LAB) ausprobiert, aber ich sehe keinen großen Unterschied, die Prädiktionsrate beträgt etwa 70%.

Ich habe mehrere Fragen. Wie viele Bilder sollte ich verwenden, um den Deskriptor zu trainieren? Wie viele Bilder sollte ich verwenden, um die Vorhersage zu testen?

Ich habe versucht mit etwa 1000 Bildern für das Training, das gibt mir 55% positiv und 5000, was mir etwa 72% positiv ist. Es hängt jedoch auch stark vom Testset ab, manchmal kann ein Testset 80-90% positiv detektierte Bilder erreichen.

Hier sind zwei Beispiele ein Objekt und zwei Bilder ohne ein Objekt enthält:

Ein weiteres Problem ist, manchmal die Bilder enthalten mehrere Objekte:

Soll ich versuchen, die Beispiele für die Lernmenge zu erhöhen? Wie sollte ich die Bilder für das Trainingssatz auswählen, nur zufällig? Was könnte ich sonst noch versuchen?

Jede Hilfe wäre sehr willkommen, ich habe gerade angefangen, maschinelles Lernen zu entdecken. Ich benutze Python (scikit-image & scikit-lernen).

Answer 1

Ich glaube, Sie in dem richtigen Weg sind, aber lassen Sie mich einige Überlegungen heben:

1 - Die Anzahl der Trainingssatz immer wichtig Probleme bei der Klassifizierung wäre (in der Regel mehr ist besser). Sie müssen jedoch gute Anmerkungen haben und Ihre Methode sollte robust gegenüber Ausreißern sein.

2 - Aus den Bildern, die Sie eingeben, scheint das Farbhistogramm diskriminierender als HOG zu sein. Bei Verwendung von Farbhistogrammen gehe ich normalerweise für Lab-Farbraum mit korrelierten a-b-Histogrammen. L ist Luminanz und ist sehr abhängig von der Bilderfassung (z. B. Helligkeit). Eine Methode , die verwendet wird, um Fußgänger neu zu identifizieren, besteht darin, die Bilder in Blöcke zu teilen und die Histogramme innerhalb dieser Blöcke zu berechnen. Dies kann hilfreich sein.

3 - Der beste Weg, um Ihre Klassifikationsverfahren zu testen, ist die Kreuzvalidierung: http://en.wikipedia.org/wiki/Cross-validation_%28statistics%29#k-fold_cross-validation

4 - Haben Sie andere Klassifizierer versuchen?Weka könnte sehr interessant sein zu leicht testet verschiedene Methoden/Parameter: http://www.cs.waikato.ac.nz/ml/weka/

5 - Schließlich, wenn Sie immer noch schlechte Ergebnisse haben und haben keine Ahnung davon Art von Funktionen, die Sie verwenden, sollten Sie tief neuralen anwenden können Netzwerke dazu!

Ich hoffe, es hilft.