狗盲不存在！印度小哥实战搭建狗品种识别算法，只要7步

新智元报道
来源：网络
编辑：yaxin、su
【新智元导读】狗的品种有多少，你能否一一道来？若将不同品种的狗拉到你面前，你又能认识几个？别急，国外小哥搭建了一个专门对狗的品种进行分类的CNN模型，「狗盲」不存在！
在路上偶然见到一只狗狗觉得很可爱，但是不知道它的品种？

觉得某个喜欢的明星很像……狗狗？

最近，一位印度小哥搭建了一个CNN模型，专门对狗的品种进行分类！
识别到人脸怎么办呢？它会告诉我们与此人最相似的狗狗品种。

该模型使用的狗数据集和人体数据集来自Kaggle 。
包括8351张狗图像，分为训练（6680）、验证（835）和测试（836）数据集，以及13233张人脸。

训练数据集中，图像数量最多的阿拉斯加雪橇犬（77），最少的是挪威布哈德犬(26) 。

如图从上到下依次为：阿拉斯加雪橇犬、挪威布哈德犬
该模型的评估指标是准确性，即正确预测的数量与所有预测的比值。
同时，在总结时使用精度进行评估，避免误报率（FalsePositiveRatio）。
具体步骤分为七步：
第1步：检测人类
第2步：检测狗
第3步：创建一个CNN来对狗品种进行分类
第4步：使用CNN对狗品种进行分类（使用迁移学习）
第5步：创建一个CNN来对狗品种进行分类（使用迁移学习）
第6步：最终算法
第7步：测试算法
七步走，狗狗检测器诞生
第1步检测人类
研究人员尝试将2种不同的算法来检测人脸：OpenCV和MTCNN 。
如何实现？
OpenCV是一个python库，它使用基于Haar特征的级联分类器，通过各种过滤器/内核函数提取特征，然后应用Adaboost算法对不良特征进行处罚。

OpenCV的Haar级联分类器准确预测100%的人类图像，约12%的狗图像错误地预测为人类。
再来看另一个检测人脸的分类器MTCNN（多任务级联卷积网络）。
它由三个卷积网络（P-Net、R-Net和O-Net）组成，负责实时检测的鲁棒性。
事实证明， MTCNN是检测「模糊图像」更好选择。

OpenCV和MTCNN对比
然而，当研究者在狗图像上评估MTCNN算法时，检测出的比率却是不同的。
尽管它完美地检测了所有人脸，但大约23%的狗图像被检测为人类，这比OpenCV的12%错误率要大得多。
这表明MTCNN中的误报率高于OpenCV 。
第2步检测狗
为了检测狗，研究人员使用预训练的Resnet-50模型。该神经网络已在ImageNet数据集上进行了训练，可直接加载模型利用。

在把图像提供给Resnet-50模型之前，必须将图像重塑n(图像的预处理)m为Keras接受的张量(4D数组) 。

预处理图像数据
接下来便是预测。预测前，研究者对输入图像也进行一些额外的处理。