Построение гендерного классификатора

Построение гендерного классификатора Результаты экспериментов и пути дальнейшего улучшения алгоритма Лев Шмаглит Ярославский государственный университет им. П.Г. Демидова 150000, г. Ярославль, ул. Советская, 14 Физический факультет Кафедра динамики электронных систем

План доклада: ,[object Object],[object Object],[object Object]

Понимание изображений Небо Дорога Знак Машина Машина Машина Машина Машина Машина Здание [ Ivan Laptev . Human Action Recognition // MCVS 2011 ]

Понимание изображений [ Andrew Zisserman. Visual Search and Recognition // MCVS 2011 ] Набор классов Детектирование Автобус Машина Распознавание Классификация

Детектирование ,[object Object],K K K «не лицо» «лицо» ,[object Object],[object Object]

Классификация Машинное обучение

Понимание изображений (компьютерное зрение) Детектирование + Распознавание Классификация (машинное обучение) Оптимизация

Сколько пикселей относится к «людям»? [ Ivan Laptev . Human Action Recognition // MCVS 2011 ]

Постановка задачи Исходное изображение Изображение с выделенными лицами Распознавание пола м м м ж ж Применение: ,[object Object],[object Object]

Пример работы алгоритма

Схема работы алгоритма

Алгоритм на базе SNoW ,[object Object],001010010 Представление в виде вектора 82 Пересчет в виде индекса Классификатор Процедура обновления весов

Классификаторы KDDA и SVM Линейные классификаторы с использованием ядра для внесения нелинейности: ядерная функция Гаусса KDDA SVM

Методика обучения и тестирования

База обучающих изображений ,[object Object],[object Object],[object Object],[object Object],Мужчины Женщины Дети

Результаты экспериментов Классификатор KDDA 81,5% Классификатор SVM 89%

Подходы связанные с модификацией схемы алгоритма ,[object Object],Выделенная область квадратная, она наложена на лицо не точно, как по положению, так и по масштабу Реализация: а) оценка положения глаз б) выделение овальной маской, захватывающей определенный процент лицевых пикселей, классифицированных до этого по цвету; в) фильтрация краевых эффектов. Потенциальный выигрыш: 3 - 5 %

Подходы связанные с модификацией схемы алгоритма ,[object Object],Лица могут быть очень похожи, в то время как другие части тела и одежда могут сильно отличаться Реализация: эмпирическое задание рамки, захватывающей нужные области, исходя из размера и положения детектированного лица Потенциальный выигрыш: 5 - 10%

Подходы связанные с модификацией схемы алгоритма ,[object Object],Переход в пространство признаков позволяет достичь: а) инвариантности к масштабу, освещенности, положению и т.п.; б) выделения особенностей, характерных тому или иному классу. Реализация: дескрипторы SIFT, PHOW, HOG, реализованные в библиотеках VL-Feet и OpenCV Потенциальный выигрыш: 5 - 15%

SIFT дескрипторы [ Andrew Zisserman. Visual Search and Recognition // MCVS 2011 ] Вектор SIFT размерностью 128 Визуальное слово Построение гистограммы визуальных слов

HOG дескрипторы [ Andrew Zisserman. Visual Search and Recognition // MCVS 2011 ] ,[object Object],[object Object]

Подходы связанные с модификацией схемы алгоритма ,[object Object],Три – лучше, чем одна Реализация: а) переход в пространство HSV б) вычисление признаков независимо для каждой из компонент Потенциальный выигрыш: 1 - 5%

Подходы связанные с модификацией схемы алгоритма ,[object Object],Никогда заранее не известно, какое ядро будет лучше работать при конкретной задаче (полиномиальное, RBF, хи-квадрат и т.д.) Кроме того, произведение (сложение) нескольких ядер, существенно увеличивает силу классификатора . Реализация: SVM библиотеки : libSVM, SVMlight и т.д. Потенциальный выигрыш: 5 - 10%

Подходы связанные с модификацией схемы обучения ,[object Object],Обучающих изображений всегда не хватает Реализация: а) поиск новых изображений б) размножение изображений путем применения ротации, аффинного преобразования, изменения яркости / контраста Потенциальный выигрыш: 100%

Подходы связанные с модификацией схемы обучения ,[object Object],Оптимизация ядра необходима, чтобы избежать переобучения и достигнуть наилучшей обобщающей способности Реализация: а) кроссвалидация б) алгоритмы оптимизации ( GA ) Потенциальный выигрыш: 1 - 10%

Подходы связанные с модификацией схемы обучения ,[object Object],Объединение решений нескольких классификаторов всегда дает преимущество в итоговой вероятности распознавания Следующий слой классификатора можно обучать на ошибках предыдущего Реализация: а) каскадная структура б) дерево (решающий лес) Потенциальный выигрыш: 5 - 10%

Построение гендерного классификатора

Recommended

Recommended

More Related Content

Similar to Построение гендерного классификатора

Similar to Построение гендерного классификатора (20)

Построение гендерного классификатора