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

Загрузите обучающие данные

`boxLabelDatastore`	Datastore для ограничительной рамки помечает данные
`imageDatastore`	Datastore для данных изображения
`groundTruth`	Данные о метке основной истины
`objectDetectorTrainingData`	Создание обучающих данных для детектора объектов
`combine`	Объедините данные от нескольких datastores

Увеличьте и предварительно обработайте обучающие данные

`balanceBoxLabels`	Сбалансируйте блоки изображений с помощью ограничительных рамок и больших изображений
`bboxcrop`	Обрежьте ограничительные рамки
`bboxresize`	Измените размер ограничительных рамок
`bboxwarp`	Примените геометрическое преобразование к ограничительным рамкам
`bbox2points`	Преобразуйте прямоугольник в список угловых точек
`imwarp`	Примените геометрическое преобразование изображения
`imcrop`	Обрежьте изображение
`imresize`	Измените размер изображения
`randomAffine2d`	Создайте рандомизированное 2D аффинное преобразование
`centerCropWindow2d`	Создайте прямоугольное окно обрезки центра
`randomCropWindow2d`	Создайте рандомизированное прямоугольное окно обрезки
`integralImage`	Вычислите 2D интегральное изображение

Нейронные сети для глубокого обучения обнаружения объекта проектирования

`anchorBoxLayer`	Создайте слой поля привязки для обнаружения объектов
`estimateAnchorBoxes`	Оцените поля привязки для детекторов объектов глубокого обучения
`fasterRCNNLayers`	Создайте более быструю сеть обнаружения объектов R-CNN
`focalLossLayer`	Создайте фокальный слой потерь с помощью фокальной функции потерь
`roiAlignLayer`	Неквантованный слой объединения ROI для CNN маски
`roiInputLayer`	Слой входа ROI для Быстрого R-CNN
`roiMaxPooling2dLayer`	Слой нейронной сети для вывода карты признаков фиксированного размера для прямоугольных областей интереса (ROI)
`rpnSoftmaxLayer`	Слой Softmax для сети предложения по области (RPN)
`rpnClassificationLayer`	Слой Classification для сетей предложения по области (RPNs)
`rcnnBoxRegressionLayer`	Слой регрессии поля для Быстрого и Faster R-CNN
`regionProposalLayer`	Слой предложения по области для Faster R-CNN
`spaceToDepthLayer`	Пробел к слою глубины
`ssdLayers`	Сеть обнаружения мультиобъекта поля SSD
`ssdMergeLayer`	Создайте слой слияния SSD для обнаружения объектов
`yolov2Layers`	Создайте сеть обнаружения объектов YOLO v2
`yolov2TransformLayer`	Создайте преобразовывают слой для сети обнаружения объектов YOLO v2
`yolov2OutputLayer`	Создайте выходной слой для сети обнаружения объектов YOLO v2
`yolov2ReorgLayer`	(Не рекомендуемый), Создают слой перестройки для сети обнаружения объектов YOLO v2
`focalCrossEntropy`	Вычислите фокальную потерю перекрестной энтропии

Обучите детекторы объектов

`trainRCNNObjectDetector`	Обучите детектор объектов глубокого обучения R-CNN
`trainFastRCNNObjectDetector`	Обучите Быстрый детектор объектов глубокого обучения R-CNN
`trainFasterRCNNObjectDetector`	Обучите детектор объектов глубокого обучения Faster R-CNN
`trainSSDObjectDetector`	Обучите детектор объектов глубокого обучения SSD
`trainYOLOv2ObjectDetector`	Обучите детектор объектов YOLO v2

Оцените учебные результаты

`evaluateDetectionAOS`	Оцените среднюю метрику подобия ориентации для обнаружения объектов
`evaluateDetectionMissRate`	Оцените метрику коэффициента непопаданий для обнаружения объектов
`evaluateDetectionPrecision`	Оцените метрику точности для обнаружения объектов
`bboxOverlapRatio`	Вычислите отношение перекрытия ограничительной рамки
`bboxPrecisionRecall`	Вычислите точность ограничительной рамки и отзыв против основной истины

Обнаружьте объекты Используя детекторы глубокого обучения

`rcnnObjectDetector`	Обнаружьте объекты с помощью детектора глубокого обучения R-CNN
`fastRCNNObjectDetector`	Обнаружьте объекты с помощью Быстрого детектора глубокого обучения R-CNN
`fasterRCNNObjectDetector`	Обнаружьте объекты с помощью детектора глубокого обучения Faster R-CNN
`ssdObjectDetector`	Обнаружьте объекты с помощью детектора глубокого обучения SSD
`yolov2ObjectDetector`	Обнаружьте объекты с помощью детектора объектов YOLO v2
`selectStrongestBbox`	Выберите самые сильные ограничительные рамки из перекрывающихся кластеров
`selectStrongestBboxMulticlass`	Выберите самые сильные ограничительные рамки мультикласса из перекрывающихся кластеров

Визуализируйте результаты обнаружения

`insertObjectAnnotation`	Аннотируйте истинный цвет или полутоновое изображение или видеопоток
`insertObjectMask`	Вставьте маски в изображение или видеопоток
`insertShape`	Вставьте фигуры в изображение или видео
`showShape`	Отобразите 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.