用DPM(Deformable Part Model，voc-release3.1)算法在INRIA数据集上训练自己的人体检测模型

我的环境

DPM源码版本：voc-release3.1

VOC开发包版本：VOC2007_devkit_08-Jun

Matlab版本：MatlabR2012b

c++编译器：VS2010

系统：Win7 32位

learn.exe迭代次数：5万次

数据集：INRIA 人体数据集，等

步骤一，首先要使voc-release3.1目标检测部分的代码在windows系统下跑起来：

在Windows下运行Felzenszwalb的Deformable Part Models(voc-release4.01)目标检测matlab源码

上文中用的4.01，3.1需要修改的地方是一样的，反而更简单。

步骤二，把训练部分代码跑通，在VOC数据集上进行测试，如下文：

在windows下运行Felzenszwalb的Deformable Part Model(DPM)源码voc-release3.1来训练自己的模型

步骤三，再之后就是使之能在其他的数据集上训练模型，比如INRIA人体数据集。

这一步中主要是修改pascal_data.m文件，这个文件的作用就是读取标注，为训练准备数据。此函数会返回两个数组，pos[]和neg[]，

pos[]中是正样本信息，格式为：[imagePath x1 y1 x2 y2 ]；

neg[]中是负样本信息，格式为：[imagePath] 。

先读取INRIA数据集的标注，保存为下面的格式：

然后在pascal_data.m中读取此文件，依次将标注信息保存到pos[]数组中，注意要将图片路径补全为绝对路径。

[html] view plain copy

pos = []; % 存储正样本目标信息的数组，每个元素是一个结构，{im, x1, y1, x2, y2}
numpos = 0; % 正样本目标个数(一个图片中可能含有多个正样本目标)
% InriaPersonPos.txt是从Inria人体数据集获得的50个正样本的标注文件，格式为[x1 y1 x2 y2 RelativePath]
[a,b,c,d,p] = textread('InriaPersonPos.txt','%d %d %d %d %s'); % 注意：读取后p的类型时50*1的cell类型
% 遍历训练图片文件名数组ids
for i = 1:length(a);
if mod(i,10)==0
fprintf('%s: parsing positives: %d/%d\n', cls, i, length(a));
end;
numpos = numpos+1; % 正样本目标个数
pos(numpos).im = [VOCopts.datadir p{numpos}]; % 引用cell单元时要用{},引用矩阵单元时用()
pos(numpos).x1 = a(numpos);
pos(numpos).y1 = b(numpos);
pos(numpos).x2 = c(numpos);
pos(numpos).y2 = d(numpos);
end

pos(numpos).im 中我也在相对路径前加了VOCopts的数据集目录datadir是因为我将INRIA数据集放在VOCdevkit目录下了。

这里要特别注意的是，不需要提前从INRIA数据集中根据标注文件手动裁出人体目标，而是将标注信息和正样本原图都告诉DPM算法，它自动会进行缩放、剪裁处理，对于有的标注信息超过图像边界的，也没关系，DPM中也会自己处理。

至于负样本就无所谓了，反正都是从不含人体的原图上随机裁取，还用VOC数据集中的就行。

下面展示几个训练的模型，以及检测结果

（1）50个INRIA正样本目标，300个VOC负样本目标，单组件(component)模型，部件个数为6。

模型可视化图如下：

没想到仅用50个正样本，训练出的模型竟然很不错，这也跟INRIA人体数据集的质量很高有关。

检测结果如下：

在500个VOC测试图上获得的平均精度AP=0.091

（2）537个Spinello RGBD数据集中的正样本目标，300个VOC负样本目标，单组件，6个部件。

模型可视化如下：

由于这537个正样本目标来自对单个人的跟踪结果，所以样本不太好，如下：

所以训练出来的模型根本检测不到任何人体目标。

（3）2396个Spinello RGBD数据集中的正样本目标，300个VOC负样本目标，单组件，6个部件。

模型可视化如下：

这次的数据源和（2）中相同，只不过这次正样本取自数据集中的所有34个人的跟踪结果，训练了一个晚上，结果还行。

检测结果如下：

在500个VOC测试图上获得的平均精度AP=0.091。带包围盒预测的精度-召回率(precision-recall)曲线如下：

from: http://blog.csdn.net/masibuaa/article/details/25221103

用DPM(Deformable Part Model，voc-release3.1)算法在INRIA数据集上训练自己的人体检测模型相关推荐

关于DPM(Deformable Part Model)算法中模型可视化的解释
搭建了自己的博客平台,本文地址:http://masikkk.com/blog/DPM-model-visualization/ DPM源代码(voc-release)中的模型可视化做的还算相当炫酷的 ...
关于DPM(Deformable Part Model)算法中模型结构的解释
关于可变部件模型的描写叙述在作者[2010 PAMI]Object Detection with Discriminatively Trained Part Based Models的论文中已经有说明 ...
DPM(Deformable Parts Model)--原理(一)
申明:本文非笔者原创,原文转载自:http://blog.csdn.NET/ttransposition/article/details/12966521 DPM(Deformable Parts M ...
pascal行人voc_在Pascal VOC 数据集上训练YOLOv3模型
上节介绍了<从零开始在Windows10中编译安装YOLOv3>,本节介绍在Pascal VOC 数据集上训练YOLOv3. 第一步,下载并安装YOLOv3训练依赖项. a.下载Pasca ...
pascal行人voc_在一个很小的Pascal VOC数据集上训练一个实例分割模型
只使用1349张图像训练Mask-RCNN,有代码. 代码:https://github.com/kayoyin/tiny-inst-segmentation 介绍计算机视觉的进步带来了许多有前途的 ...
用Deformable Part Model(DPM)voc-release3.1训练自己的模型
配置了一上午,终于能训练自己的DPM模型,实属不易我的环境 DPM源码版本:voc-release3.1 VOC开发包版本:VOC2007_devkit_08-Jun 使用的训练数据集:VOC200 ...
在windows下运行Felzenszwalb的Deformable Part Model(DPM)源码voc-release3.1来训练自己的模型
我的环境 DPM源码版本:voc-release3.1 VOC开发包版本:VOC2007_devkit_08-Jun 使用的训练数据集:VOC2007 ...
有关可变形部件模型(Deformable Part Model)的一些说明
(1)可变形部件模型可变形部件模型(DeformablePart Model)由三部分组成: (1) 一个较为粗糙的,覆盖整个目标的全局根模版(或叫做根滤波器). (2) 几个高分辨率的部件模版(或 ...
map评价吗 voc数据集可以用coco_【庖丁解牛】从零实现RetinaNet（九）：使用COCO预训练权重在VOC上训练RetinaNet...
下列代码均在pytorch1.4版本中测试过,确认正确无误. 如何载入COCO预训练权重由于其他数据集如VOC的类别数不一定和COCO数据集相同,载入COCO预训练权重后要先去掉和类别有关的卷积层权 ...

用DPM(Deformable Part Model，voc-release3.1)算法在INRIA数据集上训练自己的人体检测模型

用DPM(Deformable Part Model，voc-release3.1)算法在INRIA数据集上训练自己的人体检测模型相关推荐

最新文章

热门文章