Exponenta Banner
exponenta event banner

classifyRegions

Классифицируйте объекты на области изображений с помощью детектора объектов R-CNN

свернуть все на странице

Синтаксис

[labels,scores] = classifyRegions(detector,I,rois)
[labels,scores,allScores] = classifyRegions(detector,I,rois)
[___] = classifyRegions(___Name,Value)

Описание

пример

[labels,scores] = classifyRegions(detector,I,rois) классифицирует объекты в необходимых областях изображения I, использование 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™.

[labels,scores,allScores] = classifyRegions(detector,I,rois) также возвращает все множество классификации каждой области. Баллы возвращены в M-by-N матрица областей M и меток класса N.

[___] = classifyRegions(___Name,Value) задает опции с помощью одного или нескольких Name,Value парные аргументы. Например, classifyRegions(detector,I,rois,'ExecutionEnvironment','cpu') классифицирует объекты в областях изображений с помощью только оборудование центрального процессора.

Примеры

свернуть все

Скрипт Open Live Script

Загрузите предварительно обученный детектор.

load('rcnnStopSigns.mat','rcnn')

Считайте тестовое изображение. 

img = imread('stopSignTest.jpg');

Задайте несколько областей, чтобы классифицировать в тестовом изображении.

rois = [416   143    33    27
        347   168    36    54];

Классифицируйте области.

[labels,scores] = classifyRegions(rcnn,img,rois);
detectedImg = insertObjectAnnotation(img,'rectangle',rois,cellstr(labels));
figure
imshow(detectedImg)

Входные параметры

свернуть все

Детектор объектов R-CNN, заданный как rcnnObjectDetector объект. Чтобы создать этот объект, вызовите trainRCNNObjectDetector функция с обучающими данными, как введено.

Введите изображение, заданное как действительное, неразреженное, изображение RGB или полутоновый.

Типы данных: uint8 | uint16 | int16 | double | single | logical

Необходимые области в изображении, заданном как M-by-4 матрица, задающая M прямоугольные области. Каждая строка содержит четырехэлементный вектор формы [x y width height]. Этот вектор задает левый верхний угол и размер области в пикселях.

Аргументы в виде пар имя-значение

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: 'MiniBatchSize',64Пример: 'ExecutionEnvironment','cpu'

Размер меньших пакетов для обработки данных R-CNN, заданной как разделенная запятой пара, состоящая из 'MiniBatchSize' и целое число. Большие пакетные размеры приводят к более быстрой обработке, но поднимают больше памяти.

Аппаратный ресурс раньше классифицировал области изображений, заданные как разделенная запятой пара, состоящая из 'ExecutionEnvironment' и 'auto', 'gpu', или 'cpu'.

  • 'auto' — Используйте графический процессор, если это доступно. В противном случае используйте центральный процессор.

  • 'gpu' — Используйте графический процессор. Чтобы использовать графический процессор, у вас должен быть Parallel Computing Toolbox, и CUDA включил NVIDIA графический процессор с вычислить возможностью 3,0 или выше. Если подходящий графический процессор не доступен, функция возвращает ошибку.

  • 'cpu' — Используйте центральный процессор.

Выходные аргументы

свернуть все

Метки классификации областей, возвращенных как M-by-1 категориальный массив. M является количеством необходимых областей в rois. Каждое имя класса в labels соответствует счету классификации в scores и необходимая область в rois. classifyRegions получает имена классов из входа detector.

Самый высокий счет классификации на область, возвращенную как M-by-1 вектор значений в области значений [0, 1]. M является количеством необходимых областей в rois. Каждый счет классификации в scores соответствует имени класса в labels и необходимая область в rois. Более высокий счет указывает на более высокую уверенность в классификации.

Все баллы классификации на область, возвращенную как M-by-N матрица значений в области значений [0, 1]. M является количеством областей в rois. N является количеством имен классов, сохраненных во входе detector. Каждая строка баллов классификации в allscores соответствует необходимой области в rois. Более высокий счет указывает на более высокую уверенность в классификации.

Смотрите также

Приложения

Функции

Объекты

Введенный в R2017b

Документация Computer Vision Toolbox
Поддержка