圖像中的對象檢測（HOG）

Question

我想檢測顯微鏡圖像細胞內的物體。 我有很多帶注釋的圖像（帶有對象的應用程序50.000個圖像和沒有對象的500.000個圖像）。

到目前為止，我嘗試使用HOG提取特征並使用邏輯回歸和LinearSVC進行分類。 我已經為HOG或顏色空間（RGB，HSV，LAB）嘗試了幾個參數，但我沒有看到很大的差異，預測率約為70％。

我有幾個問題。 我應該使用多少圖像來訓練描述符？ 我應該使用多少圖像來測試預測？

我已經嘗試了大約1000張圖像用於訓練，這給了我55％的正面和5000，這給了我大約72％的正面。 但是，它也很大程度上取決於測試集，有時測試集可以達到80-90％的正檢測圖像。

以下是包含對象和兩個沒有對象的圖像的兩個示例：

另一個問題是，有時圖像包含幾個對象：

我應該嘗試增加學習集的示例嗎？ 我該如何選擇訓練集的圖像，只是隨機的？ 我還能嘗試什么？

任何幫助都將非常感激，我剛開始發現機器學習。 我正在使用Python（scikit-image和scikit-learn）。

Answer 1

我認為你走的是正確的道路，但讓我提出一些考慮因素：

1 - 訓練集的數量在分類問題中總是很重要（通常，越多越好）。 但是，您必須具有良好的注釋，並且您的方法應該對異常值具有魯棒性。

2 - 從您放置的圖像來看，顏色直方圖似乎比HOG更具辨別力。 當使用顏色直方圖時，我通常會使用相關的ab直方圖來獲取Lab顏色空間。 L是亮度並且非常依賴於圖像采集（例如，亮度）。 用於重新識別行人的一種方法是將圖像划分為塊並計算這些塊內的直方圖。 這可能會有所幫助。

3 - 測試分類方法的最佳方法是交叉驗證： http ： //en.wikipedia.org/wiki/Cross-validation_%28statistics%29#k-fold_cross-validation

4 - 你有沒有嘗試其他分類器？ Weka可以很容易地測試不同的方法/參數： http ： //www.cs.waikato.ac.nz/ml/weka/

5 - 最后，如果你仍然有不好的結果並且不知道你應該使用哪種功能，你可以應用深度神經網絡！

希望能幫助到你。