小白玩机器学习（4）--- 用迁移学习做回归 预测待检测目标的位置

用迁移学习做回归，预测待检测目标的位置

Object Tracking using ‘Transfer Learning for Regression’

一、题目要求

1.具有两个bar分别位于canvas的水平方向和垂直方向作为拟合位置输出。

2.训练模型，能够令标定方块在二维平面内移动，并且实现跟踪待识别物体位置的功能。

二、设计思路

1. 首先进行一维水平的物体跟踪

（1）将分类（classification）问题变为回归（regression）问题

featureExtractor = ml5.featureExtractor('MobileNet', modelReady);
classifier = featureExtractor.regression(capture, captureReady);  

classifier.predict(capture, GetResult);   // predict

（2）加入一个slider用来帮助我们显示位置信息

// slider参数含义：最小值，最大值，初始位置，步长  
slider = createSlider(0, 1, 0.5, 0.01);  

（3）添加一个button，每当点击按钮时，添加训练样本

addButton = createButton('Add');
addButton.mousePressed(function(){
    classifier.addImage(slider.value());
});

（4）使用一个方块来显示移动物体的位置

rectMode(CENTER);  // 图形为矩形且位于中心位置
fill(255, 0, 255);   // 填充颜色
rect(name * width, height / 2 , 50 , 50);   // 位置信息：水平位置，垂直位置（中间），长，宽

2. 修改变为物体的二维追踪

（1）添加模型

// 声明两个模型分别对x轴和y轴
featureExtractorx = ml5.featureExtractor('MobileNet', modelReady);
featureExtractory = ml5.featureExtractor('MobileNet', modelReady);

（2）响应都修改为二维

// 当每次点击Add就添加一次训练样本
    select('#addSample').mousePressed(function(){
        classifierx.addImage(sliderx.value());
        classifiery.addImage(slidery.value());
        select('#amountOfSamples').html(samples++);
        console.log("添加样本(x,y)：(" + sliderx.value() + "," + slidery.value() + ")");
    });
    // 训练样本按钮
    select('#train').mousePressed(function(){
         classifierx.train(whileTrainingx);
         classifiery.train(whileTrainingy);
     });

classifierx.predict(capture, GetResultx);   // predict
   classifiery.predict(capture, GetResulty);   // predict

rect(namex * width, namey * height , 30 , 30);

（3）页面样式优化

    slidery.elt.style.transform = "rotate(90deg)";  // 转化为垂直
    slidery.elt.style.marginLeft = "-150px";
    slidery.elt.style.height = "400px";
    slidery.elt.style.width = "340px"

三、实验结果

滑动条滑动到不同位置，添加样本，尽可能多加入一些样本，保证预测的准确性。之后点击train开始训练

等loss都为NULL时，点击predict按钮开始测试，并实时输出预测坐标值

四、总结提升

  本次实验完成了用迁移学习做回归，预测待检测目标的位置，横轴和纵轴使用两个模型进行预测。为了保证预测结果的准确性，在添加训练样本时，物体尽量小（远离摄像头）；保证背景尽可能为纯色；尽可能多的在不同位置添加多个训练样本。进一步改进措施：添加背景去除。