Обнаружение объектов с помощью Глубокого обучения

Выполните классификацию, обнаружение объектов, изучение передачи с помощью сверточных нейронных сетей (CNNs или ConvNets).

Сверточные нейронные сети (CNNs или ConvNets) являются особыми инструментами для глубокого обучения и особенно полезны для классификации изображений, обнаружения объектов и задач распознавания. CNNs реализованы как серия взаимосвязанных слоев. Слои составлены из повторных блоков сверточных, ReLU (исправил линейные модули), и слои объединения. Сверточные слои применяют операцию свертки к своему входу с набором фильтров. Фильтры были автоматически изучены во время сетевого обучения. Слой ReLU добавляет нелинейность в сеть, которая позволяет сети аппроксимировать нелинейное отображение между пикселями изображения и семантическим содержимым изображения. Слои объединения субдискретизируют свои входные параметры, и справка консолидируют локальные функции изображений.

Сверточные нейронные сети требуют Deep Learning Toolbox™. Обучение и прогноз поддерживаются на графическом процессоре CUDA^®-capable с вычислить возможностью 3,0 или выше. Использование графического процессора рекомендуется и требует Parallel Computing Toolbox™.

Можно создать архитектуру CNN, обучить сеть с помощью семантической сегментации и использовать обучивший сеть, чтобы предсказать метки класса или обнаружить объекты. Можно также извлечь функции от предварительно обученной сети и использовать эти функции, чтобы обучить классификатор. Кроме того, можно использовать обучение с переносом, который переобучает CNN на новых данных. Можно также использовать Image Labeler, Video Labeler, экстракторы функции и классификаторы, чтобы создать пользовательский детектор.

Функции

развернуть все

Обучите объектные детекторы

`trainRCNNObjectDetector`	Обучите детектор объекта глубокого обучения R-CNN
`trainFastRCNNObjectDetector`	Обучите Быстрый детектор объекта глубокого обучения R-CNN
`trainFasterRCNNObjectDetector`	Обучите Более быстрый детектор объекта глубокого обучения R-CNN
`trainYOLOv2ObjectDetector`	Обучите детектор объекта YOLO v2

Обнаружьте объекты Используя детекторы глубокого обучения

`rcnnObjectDetector`	Обнаружьте объекты с помощью детектора глубокого обучения R-CNN
`fastRCNNObjectDetector`	Обнаружьте объекты с помощью Быстрого детектора глубокого обучения R-CNN
`fasterRCNNObjectDetector`	Обнаружьте объекты с помощью Более быстрого детектора глубокого обучения R-CNN
`yolov2ObjectDetector`	Обнаружьте объекты с помощью детектора объекта YOLO v2

Управляйте результатами обнаружения

`evaluateDetectionMissRate`	Оцените метрику коэффициента непопаданий для обнаружения объектов
`evaluateDetectionPrecision`	Оцените метрику точности для обнаружения объектов
`bbox2points`	Преобразуйте прямоугольник в список угловых точек
`bboxOverlapRatio`	Вычислите отношение перекрытия ограничительной рамки
`bboxPrecisionRecall`	Вычислите точность ограничительной рамки и отзыв против наземной истины
`selectStrongestBbox`	Выберите самые сильные ограничительные рамки из перекрывающихся кластеров
`selectStrongestBboxMulticlass`	Выберите самые сильные ограничительные рамки мультикласса из перекрывающихся кластеров

Слои глубокого обучения

`roiInputLayer`	Слой входа ROI для Быстрого R-CNN
`roiMaxPooling2dLayer`	Слой нейронной сети раньше выводил карты функции фиксированного размера для прямоугольных КОРОЛЕЙ
`rpnSoftmaxLayer`	Слой Softmax для сети предложения по области (RPN)
`rpnClassificationLayer`	Слой Classification для сетей предложения по области (RPNs)
`rcnnBoxRegressionLayer`	Слой регрессии поля для Быстрого и Более быстрого R-CNN
`regionProposalLayer`	Слой предложения по области для Более быстрого R-CNN
`yolov2Layers`	Создайте сеть обнаружения объектов YOLO v2
`yolov2TransformLayer`	Создайте преобразовывают слой для сети обнаружения объектов YOLO v2
`yolov2OutputLayer`	Создайте выходной слой для сети обнаружения объектов YOLO v2
`yolov2ReorgLayer`	Создайте слой перестройки для сети обнаружения объектов YOLO v2

Темы

R-CNN, быстрый R-CNN и более быстрые основы R-CNN

R-CNN, Быстрый R-CNN и Более быстрые основы R-CNN

Основы YOLO v2

Вы только смотрите однажды (YOLO) v2 основы

Поля привязки для обнаружения объектов

Основы полей привязки, которые используются в обнаружении объектов глубокого обучения

Deep Network Designer

Список слоев глубокого обучения (Deep Learning Toolbox)

Узнайте все слои глубокого обучения в MATLAB^®.

Глубокое обучение в MATLAB (Deep Learning Toolbox)

Узнайте возможности глубокого обучения в MATLAB с помощью сверточных нейронных сетей для классификации и регрессии, включая предварительно обученные сети и изучение передачи и обучение на графических процессорах, центральных процессорах, кластерах и облаках.

Предварительно обученные глубокие нейронные сети (Deep Learning Toolbox)

Узнать, как загружать и использовать предварительно обученные сверточные нейронные сети для классификации, изучения передачи и выделения признаков.