De verbetering is met name bereikt door het standaard masker dat ik gebruikte te optimaliseren. Tot nu toe heb ik mijn NN alleen nog maar op wel/niet aanwezigheid van een masker getraind. Op basis van alle maskers bij elkaar heb ik een 'groot gemiddeld' masker gemaakt dat ik voor alle situaties in heb gezet. Door te kijken met welk masker ik de beste dice coefficient kan krijgen op mijn train-data is het gelukt om een veel kleiner standaard masker te gebruiken met dus een veel kleinere fout.
Het belangrijkste is echter dat mijn y/n NN het dus blijkbaar redelijk lijkt te doen. Als ik daarnaast ook betere maskers handteer moeten de resultaten verder verbeteren.
Nu eerst maar eens wat beter kijken naar de maskers zelf. Lekker wat statistiek bedrijven. Op basis van een voorbeeld script is het mogelijk om de aangegeven maskers vrij aardig in ellipsen te 'vangen'. Mijn eigen pogingen werkten alleen met het hoogste en laagste punt en daartussen het linker en rechter punt:
of
Dit ziet er echter (veel) beter uit:
Kijk, daar kan ik wat mee. Er zit in OpenCV blijkbaar een prachtige functie 'fitEllipse' die netjes het centrum, de lengte van de korte en lange as en de hoek teruggeeft van de 'best fitting ellipse'. Met deze metadata moeten we verder komen, lijkt mij. Daar gaan we eerst eens wat histogrammetjes over fabriceren.
Geen opmerkingen:
Een reactie posten