Dog breed Identiffication

Fine-grained image categorization.png
任务描述

Dog Breed Identification

Data

训练数据为120个品种狗狗的照片,共10222张。共10357张测试样本。

检测

下图为提供的一张训练样本的示例,可以看到不仅有目标物,还有人,可能还会有其他各种各样的物体,因此需要将狗狗从图像中检测出来,考虑到已经有训练好的可以进行狗狗检测的模型,直接调用训练好的模型对狗狗进行检测。
这里使用 tf-faster-rcnn 项目下提供的 voc_2007_trainval+voc_2012_trainval 预训练好的模型进行检测,该模型是在VOC 2007以及2012数据集上训练的模型,pascal_voc 包含20个分类,如bicyle、cow、dog 等等,因此利用该模型直接进行检测。

5a533f3bae76091d6866fa60ba2ec9d4.jpg

分类

检测完成后, 检测结果保存在tf-faster-rcnn/data/VOCdevkit2007/results/VOC2007/Main 目录下,共20个txt文件夹,对应20个种类

检测结果.jpeg
选择其中对应狗的txt对原始图像进行处理,在10072张图片中检测到了狗,置信阈值取0.5,将检测失败的原始图像移入failed 文件夹,共150张,再次对这150张图像进行检测,置信阈值选择0.4,检测出46张狗狗的图像,因此共检出10118张狗狗的图像,根据官方提供的labels.csv文件(提供了与训练样本文件名对应的狗狗的品种)对检测出的图像进行归类,共120个文件夹,每个文件夹以狗的品种命名,包含这种种类别狗狗的所有照片。对文件夹进行统计分析,每类平均80张图像,
Classified_datasets.png

对于检测失败的104张图像,可以选择

  • 降低置信阈值,如0.3,再人工筛选并归类;
  • 人工标记并分类
  • 将检测的其他类的结果(主要是动物,如牛,马等等)进行显示,可能会误检测,再人工分类

我比较懒,觉得剩下的样本也不多,就没有进行处理,由于训练样本较少,斯坦福大学提供了Stanford Dogs Dataset 数据集,也是120个品种,20580张图片,并提供了标记文档,这里可以作为训练样本的扩充,但是这次比赛的数据集也是imagenet上提供的(10222+10357=20579),斯坦福的这个数据集也是imagenet提供的,包含图像20580张,我怀疑两个两个数据会不会重合,先下载下来进行后续分析决定是否适用。分析过后大致可以确定这两个数据集是一样的,以Chihuahua为例,kaggle比赛提供的train里边的图片在斯坦福提供的这个chihuahua里边都可以找到,因此调整一下训练策略。首先使用斯坦福提供的这个数据集,因为自己检测的时候有的没有检测到,其次这个数据集更丰富,直接使用会与训练样本有重合,而且相当于测试样本也已经训练了,所以将这些样本根据标记文档进行检测,水平翻转,与训练样本一起进行训练,从而丰富数据集。
3、下载斯坦福的数据集,Annotations和Images,Annotations都是没有后缀的达标文档,为了后续方便,将标记文档重新命名并放在一个文件夹内。遍历文件夹图像进行检测,检测结果归类放置。
4、 stanford数据集水平镜像,合并两个数据集。
5、在做完狗狗的检测后,接下来是分类,目前网络上已经公开了许多训练好的模型,如VGG、ResNet、google的inception系列,都可以用来进行分类,但是由于比赛提供的训练数据比较有限,所以这里可以采用迁移学习的思想进行网络的学习,使用谷歌的inception v4进行训练。
6、进一步进行度量学习,减小类内间距,增大类间间距,如centerloss、triptloss.由于centerloss每次需要得到同类的特征中心,同类的狗由于不同的位姿,会导致特征中心不稳定,效果不好,将数据划分位10分,随机选取9份进行训练,一份测试,训练多个模型进行测试。将不同分类器得到的特征进行融合,拼接在一起训练。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 201,468评论 5 473
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 84,620评论 2 377
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 148,427评论 0 334
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,160评论 1 272
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,197评论 5 363
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,334评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,775评论 3 393
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,444评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,628评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,459评论 2 317
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,508评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,210评论 3 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,767评论 3 303
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,850评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,076评论 1 258
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,627评论 2 348
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,196评论 2 341

推荐阅读更多精彩内容