顔のモデル、体のモデル、ふたつを合わせた統合モデルを用いて、1000枚のテストデータで精度確認実験を行いました。
今回は統合モデルのテストデータの評価方法として、顔のモデルと体のモデル各クラス(cat_1~7)に属する確率の配列として出力される予測結果の平均値を顔と体の統合モデルの予測結果の出力としました。
実験結果は全体的に精度が低くなっており、特に似ている猫の場合は、顔モデルと体モデルに比べて統合モデルの方が精度が低くなってしまいました。
今後は学習データを顔と体それぞれ3000枚で統一し、顔と体の出力の重みを調整して実験し直したいと考えております。
教室で2m,4m,6m,8mの距離から3人を各距離30枚ずつ撮影し、3人写っている場合の高解像画像と超解像画像での顔認証の適合率の比較を行いました。4m~8mの間では超解像にすることで、高解像画像に比べて平均で約15.3%も適合率が高くなっていました。
説明変数を5つ選択してすべての通りで相対誤差を出力して、一番良いモデルを探した。またどの説明変数が市場価格に影響するかを検証した。
大ゼミのパワポ作成。
大ゼミでご指摘
伝送ビットレートの説明をした方がいい
foveated imaging処理の原理のところがわかりずらい
処理時間の比較のところで、１フレームずつマスク画像を生成していることを伝えたほうがよい
今後の予定
評価者の人数を増やす
終わり次第論文執筆
finish experiment about RGBD mirror segementation
IOU:0.7376;
Emeasure: 0.853;
Smeasure 0.839;
Fmeasure 0.821;
MAE: 0.043. BER:0.0843