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

trainRCNNObjectDetectorОбучите детектор объекта глубокого обучения R-CNN
trainFastRCNNObjectDetectorОбучите Быстрый детектор объекта глубокого обучения R-CNN
trainFasterRCNNObjectDetectorОбучите Более быстрый детектор объекта глубокого обучения R-CNN
trainYOLOv2ObjectDetectorОбучите детектор объекта YOLO v2
rcnnObjectDetectorОбнаружьте объекты с помощью детектора глубокого обучения R-CNN
fastRCNNObjectDetectorОбнаружьте объекты с помощью Быстрого детектора глубокого обучения R-CNN
fasterRCNNObjectDetectorОбнаружьте объекты с помощью Более быстрого детектора глубокого обучения R-CNN
yolov2ObjectDetectorОбнаружьте объекты с помощью детектора объекта YOLO v2
evaluateDetectionMissRateОцените метрику коэффициента непопаданий для обнаружения объектов
evaluateDetectionPrecisionОцените метрику точности для обнаружения объектов
bbox2pointsПреобразуйте прямоугольник в список угловых точек
bboxOverlapRatioВычислите отношение перекрытия ограничительной рамки
bboxPrecisionRecallВычислите точность ограничительной рамки и отзыв против наземной истины
selectStrongestBboxВыберите самые сильные ограничительные рамки из перекрывающихся кластеров
selectStrongestBboxMulticlassВыберите самые сильные ограничительные рамки мультикласса из перекрывающихся кластеров
roiInputLayerСлой входа ROI для Быстрого R-CNN
roiMaxPooling2dLayerСлой нейронной сети раньше выводил карты функции фиксированного размера для прямоугольных КОРОЛЕЙ
rpnSoftmaxLayerСлой Softmax для сети предложения по области (RPN)
rpnClassificationLayerСлой Classification для сетей предложения по области (RPNs)
rcnnBoxRegressionLayerСлой регрессии поля для Быстрого и Более быстрого R-CNN
regionProposalLayerСлой предложения по области для Более быстрого R-CNN
yolov2LayersСоздайте сеть обнаружения объектов YOLO v2
yolov2TransformLayerСоздайте преобразовывают слой для сети обнаружения объектов YOLO v2
yolov2OutputLayerСоздайте выходной слой для сети обнаружения объектов YOLO v2
yolov2ReorgLayerСоздайте 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.

Популярные примеры

Для просмотра документации необходимо авторизоваться на сайте