Поиск по сайту

В оригинальном пейпере Histograms of Oriented Gradients for Human Detection описывается большей частью только сам дескриптор HOG, а подробности тренировки классификатора нет. Во-первых после вырезания positive(pedestrians) и negative(background) примеров мы получаем так называемый unbalanced dataset, который SVM не любит и если мы тупо туда всё запихнем то получим неплохой accuracy score(но на самом деле это будет означать, что мы все классифицируем как background, а так как у нас background'а большинство, то и accuracy score у нас получается большой, но это никак нам не помогает детектировать пешеходов) Тут обзор как с этим бороться, самый простой метод это undersample и oversample http://www.slideshare.net/dalpozz/racing-for-unbalanced-methods-selection пример как введение весов для несбалансированных классов смещает гиперплоскость. http://scikit-learn.org/stable/auto_examples/svm/plot_separating_hyperplane_unbalanced.html Потом как управлять пропорцией: True positive \ False positive \ False negative \ True negative ? т.е. допустим лучше всё таки найти пешехода и что то лишнее, чем не найти ничего. Был ли прогон алгоритмов opencv на стандартных датасетах для pedestrian detection (INRIA person dataset, Caltech Pedestrian Dataset, etc.)? Там показаны графики average miss-rate % http://rodrigob.github.io/are_we_there_yet/build/