不确定如何训练 ML 模型来识别静态图像

Question

我正在尝试为特定用例构建 ML 模型。我已经阅读了各种不同的库，并尝试训练我自己的分类器，但我觉得我所做的不太正确 - 对象检测的设置似乎都是基于你的对象的想法检测可以有多种形式，因此在设计训练方法时要考虑到这一点。我的用例与此不同。

我有想要识别的静态平面图像，例如书籍封面。因此，我不需要提供它的许多图像，而只需要提供它的正面外观的单个图像是有道理的。我想训练一个机器学习模型，这样我就可以在训练后向它展示那本书封面的图像，它会识别它。

训练后的书皮图像可能包括环境因素，例如不同的照明，或另一个角度，但想法是，如果书皮本身在全视图中，它应该能够被识别。

事实证明，在这里弄清楚要做什么是相当困难的。我遇到的每个指南都是为培训可能采取多种形式的对象而设计的。为我的目的改编这些指南没有成功。

我尝试使用 Turi Create 的非常简单的设置，在我为每本书拥有的每个数据点上对其进行训练，然后使用相同的数据进行验证，因为我显然没有训练和验证集。 Turi Create 负责所有培训细节，显然是为每个班级的许多示例而设计的。我觉得我在这里为了我的目的而对其进行了严重的修改。经测试，它也不适用于物体检测。

我使用 OpenCV 的关键点检测和最近邻匹配功能取得了一些有限的成功，但我的想法是会有更广泛的项目列表，可能有 10k 本书，因此在对每一个都有这样的方式。

在过去的一个月里，我一直在学习更多关于 ML 和计算机视觉的知识，但这肯定不是我的专业领域 - 我主要是一名软件开发人员。如果我能在这里得到任何建议，我将不胜感激。

Answer 1

您的问题没有开箱即用的答案（很抱歉），但您需要了解计算机视觉/机器学习的一些关键领域才能解决这个问题。

首先：如果你真的想留在opencv和现有的库中（比如，你不希望这变成一个算法研究项目），我建议如下：

1. 制作一个小型训练集。请注意，这里的训练集是指书籍封面在其“测试”环境中的图像：不同的角度、不同的照明、不同的背景杂波等。实际上这可能是 50 张图像，这不应该花费太多时间只需手动操作。
2. 取决于您希望它成为对象检测的程度（例如，这是一张只是书皮的图片，还是一张桌子的图片，上面有书，但也可能是订书机或一些东西），你应该包括边界框。
3. 然后使用在 OpenCV 中实现的经典 CV 算法，如 SIFT 或 SURF 或 Hough 变换。我没有详细介绍这些细节，而是将您推荐给related post about extracting Coke cans。那里有一个简洁的讨论，它可能会引导你找到正确的实现。根据您的问题描述，我怀疑这些问题非常相似（例如，您对物体采用多种形式的评论；这也不是可乐罐的问题）。

第二：如果以上内容还不够，您将进行更高级的研究项目。我仍然会推荐 Hough 变换或 SIFT 之类的东西，因为其中的关键见解是您应该能够找到一个非常擅长识别 this 书籍封面的过滤器（或类似过滤器的对象）具体来说。这意味着像典型的深度学习方法这样的东西开箱即用的用处不大。如果您真的想走这条路，请先阅读有关数据增强的内容，然后阅读有关one-shot或few-shot学习的内容，然后阅读迁移学习。这是一条漫长的道路，所以我强烈赞成我建议的第一种方法。

Answer 2

以下答案可能会帮助您使用卷积神经网络 (CNN) 处理/解决问题。请浏览这些videos 以了解有关该主题的更多信息。

目标：识别平面图像（例如：书籍封面）

1. 训练集创建：您的训练集必须包含正面和负面图像，其中正面图像是包含书籍封面的图像，而负面图像是不包含书籍封面的图像。

   • 正样本应该包含，书籍封面图像模糊，相对于相机的不同位置，以不同角度倾斜，具有不同背景，不同照明等（无论您想要返回为正的图像）

   • 负样本应该包含，没有封面的图片，只有背景等。

您也可以尝试手动创建这些数据集。

1. 标签：

   • 目前尚不清楚是否可以找到书籍封面的确切坐标。 所以在这种情况下，输出应该是所有图像中覆盖书籍封面的边界框的 X_start、Y_start、Width 和高度。 对于没有封面的图片（负样本），值为（0,0,0,0）。

   • 另外简单地将图像分别标记为正样本和负样本的 1 和 0。

2. 模型微调：
   • 有几个可用的预训练模型。您可以为您的图像简单地微调它。

查看这些页面了解更多信息：

1. Object localization and detection
2. Binary Image Classification