- 看到文章是将softcascade的,因此大致读了一下,文章开始讲到以前的cascade(是不是就是opencv以前的traincascade方法?)方法的缺点,主要由以下几点:
- 本阶的判断至于本阶的特征得分门限值有关,与之前的阶数无关,这样的检测器是脆弱的,而且浪费了之前判断计算出来的特征得分;
- 最终检测器的检测率是每一阶分类器检测率的乘积,如果最后要达到90%的检测率以及10的-6次方的误检率,那么如果分类器有十阶,则每一阶需要保留99%的正样本,而且消除25%的负样本,这对于一开始的几阶可能容易达到,但是对于后面的阶数很难,而且会很耗时;
- 训练参数的设置必须通过不断地训练来寻求最好的训练参数,但是每次训练都很耗时(我个人觉得这一点是因为文章之后提出了ROC曲面来解决问题,但是如果不用这个曲面的话,softcascade也需要通过多次实验来找参数)
- 对于参数的选择没有一个明确的方法?关于阶数,顺序,目标检测率,误检率等,这些都会影响检测速率,在保证检测率的前提下,没有方法来设置这些参数来达到最佳的检测速率(这一点貌似也是因为文章后来提到了ROC surface解决,所以才说这是之前cascade的缺点)
读Robust Object Detection Via Soft Cascade 小结
最新推荐文章于 2022-09-13 20:06:18 发布