Kaggle Knight Matuse #2 Julia言語でHOGを用いてObject Detection

# 必要なライブラリを設定
using JSON
using Images
using DataFrames
using FileIO
using LIBSVM # 学習に利用

# ./input にデータを置いてる
json = JSON.parsefile("./input/train.json")

# 数が大きいので最初の10件で試す。images => 画像URL, annotations => ラベル情報 が別々に入っている
a = json["images"][1:10]

# Json から Dataframe へ変換する。コピペコード。
ka = union([keys(r) for r in a]...)
df = DataFrame(;Dict(Symbol(k)=>get.(a,k,NA) for k in ka)...)
df[:url] = map(x-> x[1], df[:url])

# 毎回やるのは面倒なのでCSVで保存しておく
FileIO.save("images-1-10.csv", df, quotechar=nothing)

# 同じ作業を annotations でも行う
a = json["annotations"][1:10]
ka = union([keys(r) for r in a]...)
df = DataFrame(;Dict(Symbol(k)=>get.(a,k,NA) for k in ka)...)
FileIO.save("annotations-1-10.csv", df, quotechar=nothing)

# CSVデータを image_id で join して一つの DataFrameに
annotations = DataFrame(load("./annotations-1-10.csv"))
images = DataFrame(load("./images-1-10.csv"))
images_annotations = join(images, annotations, on = :image_id, kind= :left)

# 画像を 80x80 で保存する。 HOG で行う場合に cell_size の倍数にしないといけないらしい
for row in eachrow(images_annotations)
    try
        t = tempname()
        download(row[:url], t)
        img = load(t)
        square = imresize(img, (80, 80))
        save("./images/$(row[:label_id])/$(row[:image_id]).jpg", square)
        rm(t)
    catch err
        println("ERROR: ", err.msg)
    end
end

# 最初の画像10件は全てラベルは5なので、そこで処理していく
examples = "./images/5/"
n_example = length(readdir(examples))

data = Array{Float64}(2916, n_example)  # 80x80の場合 2916
labels = Vector{Int}(n_example)

for (i, file) in enumerate(readdir(examples))
    filename = "./images/5/$file"
    print(filename)
    img = load(filename)
    data[:, i] = create_descriptor(img, HOG())
    labels[i] = 5
end

random_perm = randperm(n_example)

# 分ける必要も無いけどサンプルデータのやり方を真似る
train_ind = random_perm[1:7]
test_ind = random_perm[8:9]

model = svmtrain(data[:, train_ind], labels[train_ind]);
img = load("./images/5/11.jpg") # 上のコードとは別にテスト用に 11.jpg も用意しておく
descriptor = Array{Float64}(2916, 1)
descriptor[:, 1] = create_descriptor(img, HOG())

predicted_label, _ = svmpredict(model, descriptor);
print(predicted_label)

# モデルの正答率をだすけど。ラベルが 5 しか用意していないので、100%になるので、ラベルを増やして試したい
predicted_labels, decision_values = svmpredict(model, data[:, test_ind]);
@printf "Accuracy: %.2f%%\n" mean((predicted_labels .== labels[test_ind]))*100