Классифицируйте объекты на области изображений с помощью Быстрого детектора объектов R-CNN
[ классифицирует объекты в необходимых областях изображения labels,scores]
= classifyRegions(detector,I,rois)I, использование Быстрого R-CNN (области со сверточными нейронными сетями) детектор объектов. Для каждой области, classifyRegions возвращает метку класса с соответствующим самым высоким счетом классификации.
При использовании этой функции использование CUDA® включило NVIDIA® графический процессор с вычислить возможностью 3,0 или выше настоятельно рекомендовано. Графический процессор значительно уменьшает время вычисления. Использование графического процессора требует Parallel Computing Toolbox™.
[___] = classifyRegions(___,'ExecutionEnvironment', указывает, что аппаратный ресурс раньше классифицировал объект в областях изображений: resource)'auto', 'cpu', или 'gpu'. Можно использовать этот синтаксис с любым из предыдущих синтаксисов.
Сконфигурируйте Быстрый детектор объектов R-CNN и используйте его, чтобы классифицировать объекты в нескольких областях изображения.
Загрузите fastRCNNObjectDetector объект, который предварительно обучен обнаружить знаки Стоп.
data = load('rcnnStopSigns.mat','fastRCNN'); fastRCNN = data.fastRCNN;
Читайте в тестовом изображении, содержащем знак Стоп.
I = imread('stopSignTest.jpg');
figure
imshow(I)
Задайте необходимые области, чтобы классифицировать в тестовом изображении.
rois = [416 143 33 27
347 168 36 54];Классифицируйте области изображений и смотрите выходные метки и баллы классификации. Метки прибывают из ClassNames свойство детектора.
[labels,scores] = classifyRegions(fastRCNN,I,rois)
labels = 2x1 categorical array
stopSign
Background
scores = 2x1 single column vector
0.9969
1.0000
Детектор имеет высокую уверенность в классификациях. Отобразите классифицированные области на тестовом изображении.
detectedI = insertObjectAnnotation(I,'rectangle',rois,cellstr(labels));
figure
imshow(detectedI)