Сеть обнаружения объектов SSD multibox
создает одну сеть мультибокс- обнаружение объектов (SSD) на основе lgraph
= ssdLayers(imageSize
,numClasses
,baseNetwork
)baseNetwork
, размер входного изображения и количество классов, которые должна быть сконфигурирована сеть для классификации. Сеть возвращается как LayerGraph
(Deep Learning Toolbox) объект.
SSD является сверточным детектором объектов на основе нейронной сети, который предсказывает ограничивающие координаты прямоугольника, классификационных оценок и соответствующие метки классов.
возвращает твердотельный накопитель, содержащий пользовательские якорные рамки, заданные lgraph
= ssdLayers(___,anchorBoxes
,predictorLayerNames
)anchorBoxes
которые соединяются с слоями сети в местоположениях, заданных predictorLayerNames
. Задайте эти аргументы в сложение с входным параметром из предыдущего синтаксиса.
ssdLayers
функция создает SSD-сеть и возвращает lgraph
объект, который представляет сетевую архитектуру для детектора объектов SSD.
trainSSDObjectDetector
функция обучает и возвращает детектор объектов SSD, ssdObjectDetector
. Используйте detect
функция объекта для ssdObjectDetector
объект для обнаружения объектов с помощью детектора, обученного архитектуре SSD-сети.
bbox = detect(detector,I)
The ssdLayers
функция использует предварительно обученную нейронную сеть в качестве базовой сети, в которую она добавляет подсеть обнаружения, необходимую для создания сети обнаружения объектов SSD. Учитывая основу сеть, ssdLayers
удаляет все слои, следующие за слоем функции в базовой сети, и добавляет подсеть обнаружения. Подсеть обнаружения состоит из групп последовательно соединенных слоев свертки, выпрямленного линейного модуля (ReLU) и нормализации партии .. К подсети обнаружения добавляются слой слияния твердотельных накопителей, слой регрессии коробки и слой классификации фокусных потерь.
[1] Лю, Вэй, Драгомир Ангуэлов, Думитру Эрхан, Кристиан Сегеди, Скотт Рид, Чэн-Ян Фу, и Александр К. Берг. SSD: Single Shot MultiBox Detector (неопр.) (недоступная ссылка). В Компьютерное зрение - 2016 ECCV, под редакцией Бастиана Лейбе, Иржи Матаса, Нику Себе и Max Веллинга, 9905: 21-37. Cham: Springer International Publishing, 2016. https://doi.org/10.1007/978-3-319-46448-0_2.
[2] Huang, Jonathan, Vivek Rathod, Chen Sun, Menglong Zhu, Anoop Korattikara, Alireza Fathi, Ian Fischer, et al. «Компромиссы скорости/точности для современных сверточных детекторов объектов». В 2017 году IEEE Conference on Компьютерное Зрение and Pattern Recognition (CVPR), 3296-97. Гонолулу, HI: IEEE, 2017. https//doi.org/10.1109/CVPR.2017.351 .
trainSSDObjectDetector
| analyzeNetwork
(Deep Learning Toolbox) | resnet101
(Deep Learning Toolbox) | resnet50
(Deep Learning Toolbox) | vgg16
(Deep Learning Toolbox)