工作指南：调参

ParamTune.md

• How to Tune Training Parameters

  • 在我们的检测器训练任务中，调整训练参数是与收集数据同等重要的工作。我们希望收集到 的数据可以发挥它们最大的价值;
  • 想详细地熟悉分类器工作的原理，请参考FTP上的文献[Viola, 2001];

• 调整分类器的级联层数

  • 级联分类器的层数是相当关键的参数。增大级联分类器的层数，有助于增加分类的准确性， 但是也会增加运算负担；
  • 随着分类器层数的增加，每一层的AdaBoost分类器变得更加复杂（选用更多的Feature）， 同时判别力逐渐降低；
  • 因此，选用合适的分类器层数旨在兼顾分类器的速度和准确性；
  • 在训练分类器的过程中，可以看到每stage中AdaBoost分类器每round的训练报告；
  • 在调整参数的过程中，可以为每stage的round数设置一门限，过多的round表示着过于复杂的 AdaBoost分类器；
  • 我目前采用的round门限参数是15，有点小，提高一些还会有比较明显的表现 提升；

• 分类器层数与非最大抑制参数

  • 调用级联分类器时，detectMultiScale函数有两个参数可调[放大比例，非最大抑制参数]；
  • 非最大抑制参数控制分类器舍弃弱置信度检测结果的阈值；越大，分类器舍弃的弱置信度检测越多；
  • 一个理想的分类器，可以在非最大抑制参数为1时运行；
  • 非最大抑制参数如果较大，表示分类器的分类能力不足，生成了过多的错误检测结果；
  • 要持续增大分类器层数直到非最大抑制参数足够小为止
  • 我采用的非最大抑制参数门限是3

• 增大数据量 / 调参

  • 观察IOU评测结果，可以判断继续调参或增加数据；
  • IOU评测结果0~5若差异很大（如precision0=70%，precision5=10%），则表示分类器判别能力不足，继续调参；
  • IOU评测结果0~5若差异不再减小，则表示为数据量问题；

• 级联分类器的弱点

  • 级联分类器有一些显著的弱点
    1. 训练时间随样本数以O(n^2)增长；
    2. 每次更新数据均需要从头训练，不可以做FineTuning；
    3. 每个分类器只能分一类物体；
  • 最严重的是第二点弱点，会导致分类器的训练结果没有迁移能力；