Обнаружение объектов с помощью Глубокого обучения

Выполните классификацию, обнаружение объектов, сверточные нейронные сети использования передачи обучения (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 предсказание 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
groundTruthДанные о метке основной истины
objectDetectorTrainingDataСоздание обучающих данных для детектора объектов
combineОбъедините данные от нескольких datastores
balanceBoxLabelsСбалансируйте блоки изображений с помощью ограничительных рамок и больших изображений
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
anchorBoxLayerСоздайте слой поля привязки для обнаружения объектов
estimateAnchorBoxesОцените поля привязки для детекторов объектов глубокого обучения
fasterRCNNLayersСоздайте более быструю сеть обнаружения объектов R-CNN
focalLossLayerСоздайте фокальный слой потерь с помощью фокальной функции потерь
roiAlignLayerНеквантованный слой объединения ROI для CNN маски
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
spaceToDepthLayerПробел к слою глубины
ssdLayersСеть обнаружения мультиобъекта поля SSD
ssdMergeLayerСоздайте слой слияния SSD для обнаружения объектов
yolov2LayersСоздайте сеть обнаружения объектов YOLO v2
yolov2TransformLayerСоздайте преобразовывают слой для сети обнаружения объектов YOLO v2
yolov2OutputLayerСоздайте выходной слой для сети обнаружения объектов YOLO v2
yolov2ReorgLayer(Не рекомендуемый), Создают слой перестройки для сети обнаружения объектов YOLO v2
focalCrossEntropyВычислите фокальную потерю перекрестной энтропии
trainRCNNObjectDetectorОбучите детектор объектов глубокого обучения R-CNN
trainFastRCNNObjectDetectorОбучите Быстрый детектор объектов глубокого обучения R-CNN
trainFasterRCNNObjectDetectorОбучите детектор объектов глубокого обучения Faster R-CNN
trainSSDObjectDetectorОбучите детектор объектов глубокого обучения SSD
trainYOLOv2ObjectDetectorОбучите детектор объектов YOLO v2
evaluateDetectionAOSОцените среднюю метрику подобия ориентации для обнаружения объектов
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
ssdObjectDetectorОбнаружьте объекты с помощью детектора глубокого обучения SSD
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
insertObjectMask Вставьте маски в изображение или видеопоток
insertShapeВставьте фигуры в изображение или видео
showShapeОтобразите формы на изображении, видео или облаке точек

Темы

Запуск

Выберите Function to Visualize Detected Objects

Сравните функции визуализации.

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 маской R-CNN, например, сегментация

Выполните сегментацию мультиэкземпляра класса с помощью Маски R-CNN и глубокое обучение.

Начало работы с YOLO v2

Вы только смотрите однажды (YOLO) v2 основы

Начало работы с обнаружением мультиполя SSD

Одна основы обнаружения выстрела.

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 или Video Labeler.

Обнаружение объектов Используя глубокое обучение

Deep Network Designer (Deep Learning Toolbox)

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 передачу обучения 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, передачи обучения и извлечения признаков.

Рекомендуемые примеры

Для просмотра документации необходимо авторизоваться на сайте