kaggle-101-FacialKeypointsDetection

Facial Keypoints Detection

Detect the location of keypoints on face images

脸部关键点检测

在本问题中，要求计算面部关键点的位置，即关键点在图片中的百分比坐标。 因此该问题的机理就是 [0, 1] 范围内的数值拟合，当然了，这也是一个多输出的拟合器。

给定图片与其相应的 30 个标签的百分比位置，标签信息如下：

left_eye_center_x
left_eye_center_y
right_eye_center_x
right_eye_center_y
left_eye_inner_corner_x
left_eye_inner_corner_y
left_eye_outer_corner_x
left_eye_outer_corner_y
right_eye_inner_corner_x
right_eye_inner_corner_y
right_eye_outer_corner_x
right_eye_outer_corner_y
left_eyebrow_inner_end_x
left_eyebrow_inner_end_y
left_eyebrow_outer_end_x
left_eyebrow_outer_end_y
right_eyebrow_inner_end_x
right_eyebrow_inner_end_y
right_eyebrow_outer_end_x
right_eyebrow_outer_end_y
nose_tip_x
nose_tip_y
mouth_left_corner_x
mouth_left_corner_y
mouth_right_corner_x
mouth_right_corner_y
mouth_center_top_lip_x
mouth_center_top_lip_y
mouth_center_bottom_lip_x
mouth_center_bottom_lip_y

其中标签完整的图片有 2140 张，其中，图片的大小为 96*96 pixels。

求解步骤如下：

Step 1. 选择拟合器 SVR/KernelRidge 以及对应的 kernel
Step 2. 交叉验证实验选择超参数，超参数的选择通过枚举的方法
Step 3. 选定超参数后，用所有训练集训练拟合器
Step 4. 对测试集做预测，并输出结果

结果：

First idea: Using 30 fitter to fit 30 labels, then I got 3.48060 RMSE Second idea: Using 1 fitter to fit 30 labels, then I got 3.43998 RMSE Third idea: Adding symmetrical training data, then resulting in abnormal result, such as position was greater then 96. So, I can see that the result of fitting is only cover [0,96](or [0,1])

30 个拟合器超参数调试的方法与结果如下：

超参数选择 gamma

  for G in G_para:
      scores = list()
      for i in range(3):
          X1, X2, y1, y2 = train_test_split(train_X, train_y, test_size=0.3, random_state=42)
          clf = KernelRidge(kernel='rbf', gamma=G, alpha=1e-2)
          pred = clf.fit(X1, y1).predict(X2)
          sco = calbais(pred, y2)
          scores.append(sco)
      print('G:', G, 'Score:', scores)

拟合器 
  KernelRidge(kernel='rbf', gamma=2e-4, alpha=1e-2)
  
0.7:0.3 训练集划分拟合误差：

  [0] 0.7792    [10] 0.9744    [20] 1.0985
  [1] 0.6383    [11] 0.7451    [21] 1.2300
  [2] 0.7714    [12] 0.9513    [22] 1.2636
  [3] 0.6482    [13] 0.9299    [23] 1.1784
  [4] 0.7355    [14] 1.0870    [24] 1.2469
  [5] 0.6005    [15] 1.1898    [25] 1.2440
  [6] 0.9636    [16] 0.9012    [26] 0.9444
  [7] 0.7063    [17] 0.9462    [27] 1.3718
  [8] 0.7214    [18] 1.1349    [28] 0.9961
  [9] 0.6089    [19] 1.1669    [29] 1.5076

pandas usage:

数据统计：DataFrame.count()
数据去缺失项：DataFrame.dropna()
字符串分割：Series = Series.apply(lambda im: numpy.fromstring(im, sep=' '))

值得注意的地方：

镜像图片，似乎对本问题采用 kernel ridge 拟合器 的求解没有帮助。