Обнаружение объектов с помощью Глубокого обучения

Выполните классификацию, обнаружение объектов, передача, изучающая использование 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 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.

Функции

развернуть все

boxLabelDatastoreDatastore для ограничительной рамки помечает данные
imageDatastoreDatastore для данных изображения
groundTruthОбъект для хранения меток основной истины
objectDetectorTrainingDataСоздание обучающих данных для детектора объектов
combineОбъедините данные от нескольких datastores
bboxcropОбрежьте ограничительные рамки
bboxresizeИзмените размер ограничительных рамок
bboxwarpПримените геометрическое преобразование к ограничительным рамкам
bbox2pointsПреобразуйте прямоугольник в список угловых точек
imwarpПримените геометрическое преобразование изображения
imcropОбрежьте изображение
imresizeИзмените размер изображения
randomAffine2dСоздайте рандомизированное 2D аффинное преобразование
centerCropWindow2dСоздайте прямоугольное окно обрезки центра
randomCropWindow2dСоздайте рандомизированное прямоугольное окно обрезки
integralImageВычислите 2D интегральное изображение
estimateAnchorBoxesОцените поля привязки для детекторов объектов глубокого обучения
fasterRCNNLayersСоздайте более быструю сеть обнаружения объектов R-CNN
roiInputLayerСлой входа ROI для Быстрого R-CNN
roiMaxPooling2dLayerСлой нейронной сети для вывода карты признаков фиксированного размера для прямоугольных областей интереса (ROI)
rpnSoftmaxLayerСлой Softmax для сети предложения по области (RPN)
rpnClassificationLayerСлой Classification для сетей предложения по области (RPNs)
rcnnBoxRegressionLayerСлой регрессии поля для Быстрого и Faster R-CNN
regionProposalLayerСлой предложения по области для Faster 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
trainRCNNObjectDetectorОбучите детектор объектов глубокого обучения R-CNN
trainFastRCNNObjectDetectorОбучите Быстрый детектор объектов глубокого обучения R-CNN
trainFasterRCNNObjectDetectorОбучите детектор объектов глубокого обучения Faster R-CNN
trainYOLOv2ObjectDetectorОбучите детектор объектов YOLO v2
evaluateDetectionMissRateОцените метрику коэффициента непопаданий для обнаружения объектов
evaluateDetectionPrecisionОцените метрику точности для обнаружения объектов
bboxOverlapRatioВычислите отношение перекрытия ограничительной рамки
bboxPrecisionRecallВычислите точность ограничительной рамки и отзыв против основной истины
rcnnObjectDetectorОбнаружьте объекты с помощью детектора глубокого обучения R-CNN
fastRCNNObjectDetectorОбнаружьте объекты с помощью Быстрого детектора глубокого обучения R-CNN
fasterRCNNObjectDetectorОбнаружьте объекты с помощью детектора глубокого обучения Faster R-CNN
yolov2ObjectDetectorОбнаружьте объекты с помощью детектора объектов YOLO v2
selectStrongestBboxВыберите самые сильные ограничительные рамки из перекрывающихся кластеров
selectStrongestBboxMulticlassВыберите самые сильные ограничительные рамки мультикласса из перекрывающихся кластеров
insertObjectAnnotationАннотируйте истинный цвет или полутоновое изображение или видеопоток
insertShapeВставьте фигуры в изображение или видео

Темы

Запуск

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

Начало работы с YOLO v2

Вы только смотрите однажды (YOLO) v2 основы

Поля привязки для обнаружения объектов

Основы полей привязки, которые используются в обнаружении объектов глубокого обучения

Создайте обучающие данные для обнаружения объектов

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.

Обнаружение объектов Используя глубокое обучение

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 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.

Рекомендуемые примеры

Для просмотра документации необходимо авторизоваться на сайте