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 прореживают 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 из 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.
Начало работы с обнаружением объектов Используя глубокое обучение
Обнаружение объектов с помощью глубоких нейронных сетей.
Начало работы с R-CNN, быстрым R-CNN и Faster R-CNN
R-CNN, Быстрый R-CNN и основы Faster R-CNN
Вы только смотрите однажды (YOLO) v2 основы
Поля привязки для обнаружения объектов
Основы полей привязки, которые используются в обнаружении объектов глубокого обучения
Хранилища данных для глубокого обучения (Deep Learning Toolbox)
Узнать, как использовать хранилища данных в применении глубокого обучения.
Обучающие данные для обнаружения объектов и Семантической Сегментации
Создайте обучающие данные для обнаружения объектов или семантической сегментации с помощью Image Labeler, Video Labeler или Ground Truth Labeler.
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 сверточных нейронных сетях использования MATLAB 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 в классификации, изучении передачи и извлечении признаков.