Сеть обнаружения мультиобъекта поля SSD
создает сеть обнаружения мультиобъекта поля одного детектора выстрела (SSD) на основе lgraph
= ssdLayers(imageSize
,numClasses
,baseNetwork
)baseNetwork
, введите размер изображения и количество классов, которые сеть должна быть сконфигурирована, чтобы классифицировать. Сеть возвращена как LayerGraph
Объект (Deep Learning Toolbox).
SSD является сверточной нейронной сетью на основе детектора объектов, которая предсказывает координаты ограничительной рамки, классификационные оценки и соответствующие метки класса.
возвращает SSD, который содержит пользовательские поля привязки, заданные lgraph
= ssdLayers(___,anchorBoxes
,predictorLayerNames
)anchorBoxes
это соединяется со слоями сети в местоположениях, заданных predictorLayerNames
. Задайте эти аргументы в дополнение к входному параметру от предыдущего синтаксиса.
ssdLayers
функция создает сеть SSD и возвращает lgraph
, объект, который представляет сетевую архитектуру для детектора объектов SSD.
trainSSDObjectDetector
функция обучает и возвращает детектор объектов SSD, ssdObjectDetector
. Используйте detect
возразите функции для ssdObjectDetector
объект обнаружить объекты с помощью детектора, обученного с архитектурой сети SSD.
bbox = detect(detector,I)
ssdLayers
функционируйте использует предварительно обученную нейронную сеть в качестве основной сети, в которую она добавляет подсеть обнаружения, требуемую для создания сети обнаружения объектов SSD. Учитывая основную сеть, ssdLayers
удаляет все слои, следующие за слоем функции в основной сети, и добавляет подсеть обнаружения. Подсеть обнаружения состоит из групп последовательно связанной свертки, исправил линейный модуль (ReLU) и слои нормализации партии. Слой слияния SSD, слой регрессии поля и фокальный слой классификации потерь добавляются к подсети обнаружения.
[1] Лю, Вэй, Драгомир Ангуелов, Думитру Эрхэн, Кристиан Сзеджеди, Скотт Рид, Чэнян Фу и Александр К. Берг. "SSD: Один Выстрел Детектор MultiBox". В Компьютерном зрении – ECCV 2016, отредактированный Бастианом Лайбе, Иржи Матасом, Nicu Sebe и Максом Веллингом, 9905:21-37. Хан: Springer International Publishing, 2016. https://doi.org/10.1007/978-3-319-46448-0_2.
[2] Хуан, Джонатан, Vivek Rathod, Чен Сун, Мэньглун Чжу, Anoop Korattikara, Алиреза Фэти, Иэн Фишер, и др. "Компромиссы Скорости/Точности для современных Сверточных Детекторов объектов". На 2 017 Конференциях по IEEE по Компьютерному зрению и Распознаванию образов (CVPR), 3296-97. Гонолулу, HI:IEEE, 2017. https//doi.org/10.1109/CVPR.2017.351.
trainSSDObjectDetector
| analyzeNetwork
(Deep Learning Toolbox) | resnet50
(Deep Learning Toolbox)