向余老师学习机器视觉笔记

转自：http://blog.sina.com.cn/s/blog_534497fd01018xvf.html

 

问题1：目前提取hog特征后，要把右侧特征翻转叠加到左侧来learn或者test，这样做的目的是减少特征、提高运行速度。但是会不会造成一类误报，就是左侧特征强，右侧空白的情况，误认为是目标：
答：这种情况，不管是否翻转，都会有误报。

 

问题2：Train函数中的形参中，有一个是keepsv，函数说明中指出它=true的话，则在train的循环间保持支持向量。但在代码中，没有实现这一功能。有没有必要实现它？
答：没有必要，因为已经在./var/penson.dat中保存了hard负类。

 

问题3：Train函数没有对参数C和J初始化，也没有把它们传入到sgd svm中去。有必要使用它们么？
答：目前svm的惩罚因子C是通过lambda来调整的。lambda是步长，在sgd svm中的作用就相当于惩罚因子。步长长，每次向特征中心移动的距离就大，但是容易“过”；步长短，每次向特征中心移动的距离小，但是运算速度慢。

 

问题4: poslatent函数没有返回num，num在这里没有累加，会不会导致在learn中使用不全的样本特征学习？
答：这是个bug，现在已经解决。

 

问题5：为什么多次train导致score大范围波动：
答：这因为learn.m中，提取hog特征后没有对特征做L2归一化。目前已经加上了归一化。

 

问题6：能否对所有特征的重要性排序：
答：目前还不能。而且实际意义不大。

 

问题7：为什么对于很亮很白的图像，比如天空，会有误报？
答：可能是hog算法内部对梯度归一化造成的。可以加上对检测区域亮度或者梯度最大值的判断来排除。

 

问题8：如何确定score阈值：
答：这里要改一改。目前的固定阈值-0.5，应该改为正类score排序后的最小的20% score。

plot(r)