Skip to content

Experimentos

Jump to bottom
Genarito edited this page Jun 20, 2018 · 16 revisions

Experimento #1

  • Fecha:1/5/18, 12:00
  • Autor: Genaro
  • Código: https://github.com/midusi/proyecto2018/blob/master/pedestrian/SVM/svmSample.py
  • Dataset(s): Daimler e INRIA, 96x48,
    • Daimler:
      • Negativas: 3000.
      • Positivas: 3000.
    • INRIAR:
      • Negativas: 3000.
      • Positivas: 614.
    • Total:
      • Positivas 3614.
      • Negativas: 6000.
  • Preprocesamiento: Resize de las imagenes del dataset de test.
  • Características: HOGs, {orientations=9,pixels_per_cell:(8,8),cells_per_block:(3,3),block_norm='L2-Hys',transform_sqrt=True}
  • Clasificador: LinearSVC(C=200, class_weight=None, dual=True, fit_intercept=True, intercept_scaling=1, loss='squared_hinge', max_iter=1000, multi_class='ovr', penalty='l2', random_state=None, tol=0.0001, verbose=0)
  • Dataset(s) para detección: Daimler Pedestrian Segmentation Benchmark Dataset (solo peatones/ positivos)
  • Resultados de clasificación:
    • Training:
      • Precision: 3614 / 3621 = 0.9980668323667495.
      • Recall: 3614 / 3614 = 1.0.
      • Falsos positivos: 7.
      • Falsos negativos: 0.
    • Test:
      • Precision: 297 / 297 = 1.0.
      • Recall: 297 / 300 = 0.99.
      • Falsos positivos: 0.
      • Falsos negativos: 3.
  • Método de detección:
  • Resultados de detección:

Experimento #2

Nota: (el resto de los parametros son iguales al experimento anterior)

  • Fecha:1/5/18, 12:47
  • Clasificador: LinearSVC(C=50, class_weight=None, dual=True, fit_intercept=True, intercept_scaling=1, loss='squared_hinge', max_iter=1000, multi_class='ovr', penalty='l2', random_state=None, tol=0.0001, verbose=0)
  • Resultados de clasificación:
    • Training:
      • Precision: 3614 / 3622 = 0.9977912755383765.
      • Recall: 3614 / 3614 = 1.0.
      • Falsos positivos: 8.
      • Falsos negativos: 0.
    • Test:
      • Precision: 297 / 297 = 1.0.
      • Recall: 297 / 300 = 0.99.
      • Falsos positivos: 0.
      • Falsos negativos: 3.
  • Método de detección:
  • Resultados de detección:

Experimento #3

Nota: (el resto de los parametros son iguales al experimento anterior)

  • Fecha:1/5/18, 12:50
  • Clasificador: LinearSVC(C=100, class_weight=None, dual=True, fit_intercept=True, intercept_scaling=1, loss='squared_hinge', max_iter=1000, multi_class='ovr', penalty='l2', random_state=None, tol=0.0001, verbose=0)
  • Resultados de clasificación:
    • Training:
      • Precision: 3614 / 3618 = 0.9988944168048646.
      • Recall: 3614 / 3614 = 1.0.
      • Falsos positivos: 4. Ver imagenes.
      • Falsos negativos: 0.
    • Test:
      • Precision: 297 / 297 = 1.0.
      • Recall: 297 / 300 = 0.99.
      • Falsos positivos: 0.
      • Falsos negativos: 3. Ver imagenes.
  • Método de detección:
  • Resultados de detección:

Experimento #4

Nota: (el resto de los parametros son iguales al experimento anterior)

  • Fecha:1/5/18, 12:50
  • Clasificador: LinearSVC(C=150, class_weight=None, dual=True, fit_intercept=True, intercept_scaling=1, loss='squared_hinge', max_iter=1000, multi_class='ovr', penalty='l2', random_state=None, tol=0.0001, verbose=0)
  • Resultados de clasificación:
    • Training:
      • Precision: 3614 / 3618 = 0.9988944168048646.
      • Recall: 3614 / 3614 = 1.0.
      • Falsos positivos: 4.
      • Falsos negativos: 0.
    • Test:
      • Precision: 298 / 298 = 1.0.
      • Recall: 298 / 300 = 0.9933333333333333.
      • Falsos positivos: 0. Ver imagenes.
      • Falsos negativos: 2.
  • Método de detección:
  • Resultados de detección:

Experimento #5

Nota: (el resto de los parametros son iguales al experimento anterior)

  • Fecha:1/5/18, 13:30
  • Clasificador: LinearSVC(C=250, class_weight=None, dual=True, fit_intercept=True, intercept_scaling=1, loss='squared_hinge', max_iter=1000, multi_class='ovr', penalty='l2', random_state=None, tol=0.0001, verbose=0)
  • Resultados de clasificación:
    • Training:
      • Precision: 3614 / 3617 = 0.9991705833563727.
      • Recall: 3614 / 3614 = 1.0.
      • Falsos positivos: 3.
      • Falsos negativos: 0.
    • Test:
      • Precision: 298 / 298 = 1.0.
      • Recall: 298 / 300 = 0.9933333333333333.
      • Falsos positivos: 0.
      • Falsos negativos: 2. Ver imagenes.
  • Método de detección:
  • Resultados de detección:

Experimento #6

  • Fecha:6/5/18, 20:00
  • Autor: Joaquin
  • Código: https://github.com/midusi/proyecto2018/blob/master/pedestrian/Joaquin/svm.py
  • Dataset(s): INRIA, 96x48,
    • INRIA Train:
      • Negativas: 1155.
      • Positivas: 613.
    • INRIA Test:
      • Negativas: 539.
      • Positivas: 191.
  • Preprocesamiento: Nada.
  • Características: HOGs, {orientations=9, pixels_per_cell=(8, 8), cells_per_block=(3, 3), visualise=False, transform_sqrt=False, feature_vector=True, normalise=None}
  • Clasificador: SVC(C=1.0, kernel=’rbf’, degree=3, gamma=’auto’, coef0=0.0, shrinking=True, probability=False, tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape=’ovr’, random_state=None)
  • Dataset(s) para detección: INRIA Person Dataset
  • Resultados de clasificación:
    • Training:
      • Precision: 603 / 858 = 0.7027972027972028
      • Recall: 603 / 613 = 0.9836867862969005
      • Falsos positivos: 255.
      • Falsos negativos: 10.
    • Test:
      • Precision: 188 / 350 = 0.5371428571428571
      • Recall: 188 / 191 = 0.9842931937172775
      • Falsos positivos: 162.
      • Falsos negativos: 3.
  • Método de detección:
  • Resultados de detección:

Experimento #7

  • Fecha:6/5/18, 20:30
  • Autor: Joaquin
  • Código: https://github.com/midusi/proyecto2018/blob/master/pedestrian/Joaquin/svm.py
  • Dataset(s): INRIA, 96x48,
    • INRIA Train:
      • Negativas: 1155.
      • Positivas: 613.
    • INRIA Test:
      • Negativas: 539.
      • Positivas: 191.
  • Preprocesamiento: Nada.
  • Características: HOGs, {orientations=9, pixels_per_cell=(8, 8), cells_per_block=(3, 3), visualise=False, transform_sqrt=False, feature_vector=True, normalise=None}
  • Clasificador: LinearSVC(penalty=’l2’, loss=’squared_hinge’, dual=True, tol=0.0001, C=1.0, multi_class=’ovr’, fit_intercept=True, intercept_scaling=1, class_weight=None, verbose=0, random_state=None, max_iter=1000)
  • Dataset(s) para detección: INRIA Person Dataset
  • Resultados de clasificación:
    • Training:
      • Precision: 613 / 613 = 1.0
      • Recall: 613 / 613 = 1.0
      • Falsos positivos: 0.
      • Falsos negativos: 0.
    • Test:
      • Precision: 183 / 239 = 0.7656903765690377
      • Recall: 183 / 191 = 0.9581151832460733
      • Falsos positivos: 56.
      • Falsos negativos: 8.
  • Método de detección:
  • Resultados de detección:

Experimento #7

  • Descripción: se quiere averiguar si el escalado a grises de las imagenes con numpy o skimage altera el resultado de predicción final. Los datos de entrenamiento y testeo son los mismos que
  • Fecha:4/6/18, 17:30
  • Autor: Genaro
  • Código: https://github.com/midusi/proyecto2018/blob/master/pedestrian/SVM/svmSample.py
  • Dataset(s): Daimler e INRIA, 96x48,
    • Daimler:
      • Negativas: 3000.
      • Positivas: 3000.
    • INRIAR:
      • Negativas: 3000.
      • Positivas: 614.
    • Total:
      • Positivas 3614.
      • Negativas: 6000.
  • Preprocesamiento: Resize de las imagenes del dataset de test.
  • Características: HOGs, {orientations=9,pixels_per_cell:(8,8),cells_per_block:(3,3),block_norm='L2-Hys',transform_sqrt=True}
  • Clasificador: LinearSVC(C=200, class_weight=None, dual=True, fit_intercept=True, intercept_scaling=1, loss='squared_hinge', max_iter=1000, multi_class='ovr', penalty='l2', random_state=None, tol=0.0001, verbose=0)
  • Dataset(s) para detección: Daimler Pedestrian Segmentation Benchmark Dataset (solo peatones/ positivos)
  • Resultados de clasificación:
    • Training con numpy:
      • Precision: 3614 / 3619 = 0.998
      • Recall: 3614 / 3614 = 1.0.
      • Falsos positivos: 5.
      • Falsos negativos: 0.
    • Test con numpy:
      • Precision: 296 / 296 = 1.0.
      • Recall: 296 / 300 = 0.98.
      • Falsos positivos: 0.
      • Falsos negativos: 4.
    • Training con skimage:
      • Precision: 3614 / 3617 = 0.999.
      • Recall: 3614 / 3614 = 1.0.
      • Falsos positivos: 3.
      • Falsos negativos: 0.
    • Test con skimage:
      • Precision: 299 / 299 = 1.0.
      • Recall: 299 / 300 = 0.996.
      • Falsos positivos: 0.
      • Falsos negativos: 1.
  • Conclusión: al parecer hay un cambio significante en los resultados de clasificación dependiendo de como quedan las imágenes en escala de grises, a favor del uso de Skimage para dicha conversión.

Experimento #8

Nota: (el resto de los parametros son iguales al experimento #1)

  • Fecha:1/5/18, 13:30
  • Preprocesamiento: Normalizacion de las imagenes
  • Clasificador: LinearSVC(C=250, class_weight={0: 2}, dual=True, fit_intercept=True, intercept_scaling=1, loss='squared_hinge', max_iter=1000, multi_class='ovr', penalty='l2', random_state=None, tol=0.0001, verbose=0)
  • Resultados de clasificación:
    • Training:
      • Precision: 3614 / 3622 = 0.9977912755383765
      • Recall: 3614 / 3614 = 1.0
      • Falsos positivos: 8.
      • Falsos negativos: 0.
    • Test:
      • Precision: 294 / 294 = 1.0
      • Recall: 294 / 300 = 0.98
      • Falsos positivos: 0.
      • Falsos negativos: 6.
  • Método de detección:
  • Resultados de detección:

Experimento #9

Nota: (el resto de los parametros son iguales al experimento #1)

  • Fecha:10/6/18, 13:30
  • Preprocesamiento: Normalizacion de las imagenes
  • Clasificador: LinearSVC(C=250, class_weight=None, dual=True, fit_intercept=True, intercept_scaling=1, loss='squared_hinge', max_iter=1000, multi_class='ovr', penalty='l2', random_state=None, tol=0.0001, verbose=0)
  • Resultados de clasificación:
    • Training:
      • Precision: 3614 / 3631 = 0.9953180941889287
      • Recall: 3614 / 3614 = 1.0
      • Falsos positivos: 17.
      • Falsos negativos: 0.
    • Test:
      • Precision: 294 / 294 = 1.0
      • Recall: 294 / 300 = 0.98
      • Falsos positivos: 0.
      • Falsos negativos: 6.
  • Método de detección:
  • Resultados de detección:

Experimento #10

  • Fecha:18/6/18, 12:00
  • Autor: Genaro
  • Código: https://github.com/midusi/proyecto2018/blob/master/pedestrian/SVM/svmSample.py
  • Dataset(s): Daimler e INRIA, 96x48,
    • Daimler:
      • Negativas: 6744.
      • Positivas: 15660.
    • INRIA:
      • Negativas: 34879.
      • Positivas: 614.
    • Total:
      • Positivas 16274.
      • Negativas: 41623.
  • Preprocesamiento: Resize de las imagenes del dataset de test a 46x98, normalización max, se concatenaron los HOGS con suma de arreglo de Python.
  • Características: HOGs, {orientations=9,pixels_per_cell:(8,8),cells_per_block:(3,3),block_norm='L2-Hys',transform_sqrt=True}
  • Clasificador: LinearSVC(C=250, class_weight=None, dual=True, fit_intercept=True, intercept_scaling=1, loss='squared_hinge', max_iter=1000, multi_class='ovr', penalty='l2', random_state=None, tol=0.0001, verbose=0)
  • Dataset(s) para detección: Daimler Pedestrian Segmentation Benchmark Dataset (solo peatones/ positivos)
  • Resultados de clasificación:
    • Training:
      • Precision: 16079 / 17004 = 0.9456010350505764
      • Recall: 16079 / 16274 = 0.9880176969399042
      • Falsos positivos: 925.
      • Falsos negativos: 195.
    • Test:
      • Precision: 288 / 288 = 1.0
      • Recall: 288 / 300 = 0.96
      • Falsos positivos: 0.
      • Falsos negativos: 12.
  • Método de detección:
  • Resultados de detección:

Experimento #11

  • Fecha:18/6/18, 12:00
  • Autor: Genaro
  • Código: https://github.com/midusi/proyecto2018/blob/master/pedestrian/SVM/svmSample.py
  • Dataset(s): Daimler e INRIA, 96x48,
    • Daimler:
      • Negativas: 6744.
      • Positivas: 15660.
    • INRIA:
      • Negativas: 34879.
      • Positivas: 614.
    • Total:
      • Positivas 16274.
      • Negativas: 41623.
  • Preprocesamiento: Resize de las imagenes del dataset de test a 46x98, normalización max, se concatenaron los HOGS con np.vstack() y los labels con np.hstack.
  • Características: HOGs, {orientations=9,pixels_per_cell:(8,8),cells_per_block:(3,3),block_norm='L2-Hys',transform_sqrt=True}
  • Clasificador: LinearSVC(C=250, class_weight=None, dual=True, fit_intercept=True, intercept_scaling=1, loss='squared_hinge', max_iter=1000, multi_class='ovr', penalty='l2', random_state=None, tol=0.0001, verbose=0)
  • Dataset(s) para detección: Daimler Pedestrian Segmentation Benchmark Dataset (solo peatones/ positivos)
  • Resultados de clasificación:
    • Training:
      • Precision: 16218 / 17948 = 0.903610430131491
      • Recall: 16218 / 16274 = 0.9965589283519725
      • Falsos positivos: 1730.
      • Falsos negativos: 56.
    • Test:
      • Precision: 290 / 290 = 1.0
      • Recall: 290 / 300 = 0.9666666666666667
      • Falsos positivos: 0.
      • Falsos negativos: 10.
  • Método de detección:
  • Resultados de detección:

Experimento #12

  • Fecha:18/6/18, 12:00
  • Autor: Genaro
  • Código: https://github.com/midusi/proyecto2018/blob/master/pedestrian/SVM/svmSample.py
  • Dataset(s): Daimler e INRIA, 96x48 y 128x64 HOGS concatenados,
    • Daimler:
      • Negativas: 4500.
      • Positivas: 4500.
    • INRIA:
      • Negativas: 4500.
      • Positivas: 614.
    • Total:
      • Positivas 5114.
      • Negativas: 9000.
  • Preprocesamiento: Resize de las imagenes del dataset de test a 46x98, normalización max, se concatenaron los HOGS con sumas de listas de python.
  • Características: HOGs, {orientations=9,pixels_per_cell:(8,8),cells_per_block:(3,3),block_norm='L2-Hys',transform_sqrt=True}
  • Clasificador: LinearSVC(C=250, class_weight=None, dual=True, fit_intercept=True, intercept_scaling=1, loss='squared_hinge', max_iter=1000, multi_class='ovr', penalty='l2', random_state=None, tol=0.0001, verbose=0)
  • Dataset(s) para detección: Daimler Pedestrian Segmentation Benchmark Dataset (solo peatones/ positivos)
  • Resultados de clasificación:
    • Training:
      • Precision: 5114 / 5118 = 0.9992184447049629
      • Recall: 5114 / 5114 = 1.0
      • Falsos positivos: 4.
      • Falsos negativos: 0.
    • Test:
      • Precision: 293 / 293 = 1.0
      • Recall: 293 / 300 = 0.9766666666666667
      • Falsos positivos: 0.
      • Falsos negativos: 7.
  • Método de detección:
  • Resultados de detección:

Experimento #13

  • Fecha:20/6/18, 12:00
  • Autor: Genaro
  • Código: https://github.com/midusi/proyecto2018/blob/master/pedestrian/SVM/svmSample.py
  • Dataset(s): Daimler e INRIA, SOLO 128x64,
    • Daimler:
      • Negativas: 3000.
      • Positivas: 3000.
    • INRIA:
      • Negativas: 3000.
      • Positivas: 614.
    • Total:
      • Positivas 3614.
      • Negativas: 6000.
  • Resultados de clasificación por debajo de los obtenidos en el experimento #5 que tiene todos los mismos parámetros con excepción de la escala de 128*64
Clone this wiki locally