![見出し画像](https://assets.st-note.com/production/uploads/images/31454295/rectangle_large_type_2_768e5a76afcf29bfb8c12624395c807f.png?width=1200)
DeepLabCut - Standalone GUI - 7
本記事は、DeepLabCut - Standalone GUI - 6の続きです。
Step 8. Extract outlier frames
Step. 7で作成された動画を見てみましょう。ラベルが正確にできているならば、精度がいい推定結果になっているかと思います。しかし、中にはあらぬところにラベルされている、好ましくない推定結果を含んでいるフレーム(外れ値)もあるかと思います。Step 8と9では、不適切なラベルを修正し再学習して精度を改善します。
「Extract outlier frames」タブを選択します。「Choose the videos」で大元の動画(C:\Users\(YourUserName)\(Name of the Project) - (Name of the experimenter) - (Date)\videos\m3v1mp4.mp4)を選択します。「Specify the videotype」は複数のvideoを選択した場合のオプションです。今回はどれを選んでも関係ありません。「Specify the shuffle」は1,「Specify the trainingset index」は0のデフォルトのままで構いません。
「Specify the algorithm」は、好ましくない推定結果を含んでいるフレーム(外れ値)を検出するアルゴリズムのことです。「jump」は、フレーム間でラベルが基準値以上動いたら外れ値として検出します。「uncertain」は、推定の信頼度が基準値よりも低いものを外れ値として検出します。「fitting」は、Auto Regressive Integrated Moving Average model(自己回帰和分移動平均モデル)をデータにフィットさせて、推定データまでの距離を計算します。距離が基準値以上であれば外れ値として検出します。アルゴリズムの詳しい情報は、こちらの論文を参考にしてください。ここでは、デフォルトの「jump」を選択します。
Okを押します。Command Promptを見てください。以下のような表示が出ると思います。
Method jump found 66 putative outlier frames.
Do you want to proceed with extracting 20 of those?
If this list is very large, perhaps consider changing the paramters (start, stop, epsilon, comparisonbodyparts) or use a different method.
yes/no
今回の場合、66フレームが外れ値として検出されました。そのうち20フレームを抽出しますか?と聞かれます。Command Promptにそのまま yes と入力し、リターンを押します。抽出したフレームはラベルを修正して再学習に利用します(次のstep)。
DeepLabCut - Standalone GUI - 8に続きます。
参考サイト・文献
この記事が気に入ったらサポートをしてみませんか?