パラメ，タ，設定の考慮事項

学習に使用するステージ数,偽陽性率,真陽性率,特徴のタイプがそれぞれ最適になるような関数パラメーターを選択します。パラメ，タ，の設定時には以下のトレ，ドオフを考慮してください。

学習に使用できる特徴のタ@ @プ

必要なオブジェクト検出のタ@ @プに適した特徴を選択してください。trainCascadeObjectDetectorは，次の3種類の特徴をサポ，トしています。哈尔，ロカルバナリパタン(LBP)，勾配方向ヒストグラム(HOG)です。哈尔特徴および枸杞多糖特徴は,スケールの細かいテクスチャの表現に向いているため,顔の検出によく使用されます。猪特徴は，人や自動車などのオブジェクトの検出によく使用されます。これらはオブジェクトの全体的な形状をキャプチャするのに便利です。たとえば，以下に示す HOG 特徴の可視化では、自転車の外郭がわかります。

場合によっては，パラメ，タ，を調整するために関数trainCascadeObjectDetectorを何度か実行しなければなりません。時間を節約するために,データの小さいサブセットに対して枸杞多糖または猪特徴を使用できます。哈尔特徴を使用した検出器の学習には長い時間がかかります。その後，哈尔特徴を実行して精度が向上したかどうかを確認できます。

ポジティブサンプルの指定

ポジティブサンプルを簡単に作成するには，メジラベラアプリを使用できます。メジラベラでは、対話形式で四角形の関心領域 (ROI) を指定して、ポジティブ サンプルに簡単にラベルを付けることができます。

また，次の2の方法のいずれかを使用してポジティブサンプルを手動で指定することもできます。最初の方法では，大きい。これらの領域には関心のあるオブジェクトが含まれています。2番目の方法では,関心のあるオブジェクトをイメージからトリミングし,これを個別のイメージとして保存します。その後，。さらに,既存のサンプルに回転やノイズを加えたり,輝度やコントラストを変更して,追加のポジティブサンプルを生成することもできます。

ネガティブ▪▪メ▪▪ジの指定

ネガティブサンプルは明示的に指定されません。代わりに，関数trainCascadeObjectDetectorは,ユーザーが指定した,関心のあるオブジェクトが含まれないネガティブイメージから自動的にネガティブサンプルを生成します。関数は新しい各ステージを学習させる前に,ネガティブイメージで既に学習済みのステージから構成される検出器を実行します。これらのイメージから検出されたオブジェクトはすべて誤検知であり,ネガティブサンプルとして使用されます。この方法では,カスケードの新しい各ステージが,その前のステージで生じた誤りを正すように学習が行われます。

ステージを追加するにつれて検出器の全体的な偽陽性率が下がるため,ネガティブサンプルの生成は難しくなります。そのため，ネガティブメジをできる限り多く提供すると役に立ます。学習の精度を高めるには,関心のあるオブジェクトに通常関連のある背景を含むネガティブイメージを提供してください。また,関心のあるオブジェクトに似た外観をもつ,オブジェクトではないものを含むネガティブイメージも含めます。たとえば，一時停止標識検出器を学習させる場合、一時停止標識に類似した交通標識や形を含むネガティブ イメージを含めてください。

ステ，ジ数の選択

各ステージの偽陽性率が低く,より少数のステージと,各ステージの偽陽性率が高く,より多数のステージには,トレードオフ効果が存在します。偽陽性率が低いステ，ジは，より多くの弱学習器を含むため，複雑度が高くなります。一方，偽陽性率が高いステ，ジには，より少数の弱学習器が含まれます。一般に,ステージが増えるにつれて全体的な偽陽性率は指数的に小さくなるため,シンプルなステージを多く含める方が得策です。たとえば，各ステージの偽陽性率が 50% である場合、2 ステージ構成のカスケード分類器の全体的な偽陽性率は 25% になります。3 ステージ構成の場合には、これが 12.5% になり、その後も同様に率が減少します。ただし、ステージ数が大きいほど、分類器に必要な学習データの量は増大します。また、ステージ数を増やすと偽陰性率も高くなります。この増加により、ポジティブ サンプルを誤って棄却する確率が上がります。偽陽性率 (FalseAlarmRate)とステ，ジ数(NumCascadeStages)は，全体的な偽陽性率が許容範囲内に収まるように設定してください。その後，この2のパラメタを実験的に調整できます。

学習が早期終了する場合もあります。たとえば，ステージ数パラメーターを 20 に設定したにもかかわらず、7 ステージ後に学習が停止したとします。その場合、関数で十分な数のネガティブ サンプルが生成されなかった可能性があります。関数を再実行してステージ数を 7 に設定しても、同じ結果は得られません。各ステージで使用される正とネガティブ サンプルの数は新しいステージ数に合わせて再計算されるため、結果はステージごとに異なります。

検出器の学習所要時間

良質の検出器の学習には数千単位の学習サンプルが必要です。大量の学習デ，タを処理するには数時間から数日に及ぶ長い時間がかかります。学習中は，関数によって各ステ，ジの学習にかかった時間がmatlab^®のコマンドウィンドウに表示されます。学習所要時間は指定した特徴のタ@ @プによって異なります。哈尔特徴を使用すると,枸杞多糖や猪特徴を使用した場合よりもずっと多くの時間がかかります。

ポジティブサンプルが足りなくなった場合の対処方法

関数trainCascadeObjectDetectorは，各ステ，ジの学習に使用されるポジティブサンプルの数を自動的に決定します。この数は，ユ，ザ，が提供したポジティブサンプルの総数と，TruePositiveRateおよびNumCascadeStagesパラメ，タ，の値に基づいています。

各ステ，ジの学習に使用可能なポジティブサンプルの数は，真陽性率に依存します。この率は，ポジティブサンプルのう関数で負として分類することのできるサンプルの割合を指定します。いずれかのステ，ジで負として分類されたサンプルが，その後のステ，ジに進むことはありません。たとえば，TruePositiveRateを0.9に設定し，使用可能なサンプルのすべてが第1ステ，ジの学習に使用されたとします。その場合,ポジティブサンプルの10%が負として棄却されるため,第2ステージの学習に使用できるのはポジティブサンプル全体の90%だけになります。学習を継続した場合，各ステ，ジの学習に使用できるサンプル数は徐々に減り続けます。したがって,後続の各ステージでは,より少数のポジティブサンプルを使用して,さらに困難な分類問題を解かなければなりません。ステージが進むにつれて使用できるサンプル数が少なくなると,後のステージでデータの過適合が生じる可能性が大きくなります。

各ステ，ジの学習には同数のサンプルを使用するのが理想的です。そのためには,各ステージの学習に使用されるポジティブサンプルの数が,使用可能なポジティブサンプルの総数未満でなければなりません。唯一の例外として，TruePositiveRateの値にポジティブサンプル総数を乗算した値が1未満の場合には,ポジティブサンプルが負として棄却されることはなくなります。

関数では，次の式を使用して各段階で使用するポジティブサンプルの数を計算します。

ネガティブサンプルが足りなくなった場合の対処

関数は各ステ，ジで使用されるネガティブサンプルの数を計算します。これは各ステ，ジで使用されるポジティブサンプルの数に，NegativeSamplesFactorの値を乗算して求められます。

ポジティブサンプルの場合と同様に,計算されたネガティブサンプル数を特定のステージで必ずしも使用できるとは限りません。関数trainCascadeObjectDetectorは，ネガティブ。ただし,新しいステージに進むにつれてカスケード分類器の全体的な偽警報率が下がるため,ネガティブサンプルが見つかる確率も下がります。

あるステージで学習に使用できるネガティブサンプル数が,計算されたネガティブサンプル数の10%を上回っていれば,学習は継続されます。ネガティブサンプルの数が足りなくなると学習は停止され，関数から警告が出力されます。また，その時点までに学習の済んだステ，ジを含む分類器も出力されます。学習が停止した場合は，ネガティブ。あるいは，ステ，ジ数を減らしたり，偽陽性率を高く設定することもできます。