C++ DLIB:194个地标的训练形状预测（helen数据集）

我正在使用helen数据集对DLIB的shape\u预测器进行培训，该数据集用于通过DLIB库的

face\u landmark\u detection\u ex.cpp

检测面部标志

现在它给了我一个

sp.dat

二进制文件，大约45MB，这比68个面部标志的文件（）要少。训练中

• 平均训练误差：0.0203811
• 平均测试误差：0.0204511

当我使用经过训练的数据来获取人脸标志点的位置时，我得到了

与68个地标的结果相差甚远

68地标图像：

---

为什么？

好的，看起来你还没有读到评论（？）：

---

查看，ctrl-f字符串“parameter”，并有一个read…

编辑的链接，并添加了图像。我想你的问题是-为什么？你用什么参数训练集合？如果我记得有一些设置会让它训练更长更难…@Lamarlatell我正在训练300张图像用于训练，20张图像用于测试，我准备了

training_with_face_landmarks.xml

和

testing_with_face_landmarks.xml

文件，其中每个图像的位置都有一张194的脸指定了地标。@纳亚，你能分享你的194点数据库吗？是否有194点数据库的参考？谢谢。我增加了参数值，但现在显示运行时错误“分配错误”，这意味着新运算符无法为新变量分配内存。更大的树深度需要更多的内存。您好！你能确切地说我应该使用什么参数来提高精度吗？因为我已经用不同的参数（nu、tree\u depth、cascade\u depth）训练了几个预测器，我得到了几乎相同的结果（我得到的结果类似于TS结果）。任何额外的帮助都是有用的！

shape_predictor_trainer trainer;
// This algorithm has a bunch of parameters you can mess with.  The
// documentation for the shape_predictor_trainer explains all of them.
// You should also read Kazemi's paper which explains all the parameters
// in great detail.  However, here I'm just setting three of them
// differently than their default values.  I'm doing this because we
// have a very small dataset.  In particular, setting the oversampling
// to a high amount (300) effectively boosts the training set size, so
// that helps this example.
trainer.set_oversampling_amount(300);
// I'm also reducing the capacity of the model by explicitly increasing
// the regularization (making nu smaller) and by using trees with
// smaller depths.  
trainer.set_nu(0.05);
trainer.set_tree_depth(2);