Загрузка предварительно обученной сети

Загрузка предварительно обученной сети MobileNet v2 с помощью mobilenetv2. Для этого требуется модель поддержки Deep Learning Toolbox Model для Network™ MobileNet v2. Если этот пакет поддержки не установлен, то функция предоставляет ссылку на загрузку. После загрузки сети преобразуйте сеть в layerGraph объект, чтобы можно было управлять слоями.

net = mobilenetv2();
lgraph = layerGraph(net);

Обновление размера входа сети

Обновите размер входа сети, чтобы соответствовать требованиям к обучающим данным. Для примера предположим, что обучающие данные являются изображениями 300 на 300 RGB. Установите размер входа.

imageInputSize = [300 300 3];

Затем создайте новый входной слой для изображений с таким же именем, как и исходный слой.

imgLayer = imageInputLayer(imageInputSize,"Name","input_1");

Замените старый входной слой изображения новым входным слоем изображения.

lgraph = replaceLayer(lgraph,"input_1",imgLayer);

Выберите слои редукции данных

SSD прогнозирует местоположение объектов с помощью нескольких карт функций. Как правило, вы выбираете слои редукции данных с различными размерами выхода, чтобы использовать преимущества многомасштабных функций. Можно использовать analyzeNetwork функцию или приложение Deep Network Designer, чтобы определить выходные размеры слоев в сети. Обратите внимание, что выбор оптимальных слоев редукции данных набора требует эмпирической оценки.

Для краткости этот пример иллюстрирует использование одного слоя редукции данных. Установите слой редукции данных равным "block_12_add".

featureExtractionLayer = "block_12_add";

Удаление слоев после Редукции данных слоя

Затем удалите слои после редукции данных. Это можно сделать, импортировав сеть в приложение Deep Network Designer, вручную удалив слои и экспортировав измененную сеть в рабочую область.

В данном примере загружает измененную сеть, которая была добавлена в этот пример как вспомогательный файл.

modified = load("mobilenetv2Block12Add.mat");
lgraph = modified.mobilenetv2Block12Add;

Присоединение слоя AnchorBoxLayer

Укажите якорные рамки и количество классов объектов и используйте anchorBoxLayer, чтобы создать слой якорного ящика.

numClasses = 5;

anchorBoxes = [
    16 16
    32 16
    ];

anchorBox = anchorBoxLayer(anchorBoxes,"Name","anchors");

Прикрепите слой якоря к слою редукции данных.

lgraph = addLayers(lgraph,anchorBox);
lgraph = connectLayers(lgraph,"block_12_add","anchors");

Создание ветви классификации твердотельных накопителей

Создайте слой свертки, где количество фильтров свертки равняется numAnchors умножение на numClasses + 1. Дополнительный класс представляет фоновому классу.

numAnchors = size(anchorBoxes,1);
numClassesPlusBackground = numClasses + 1;
numClsFilters = numAnchors * numClassesPlusBackground;
filterSize = 3;
conv = convolution2dLayer(filterSize,numClsFilters,...
    "Name","convClassification",...
    "Padding","same");

Добавьте и соедините слой свертки со слоем якоря.

lgraph = addLayers(lgraph,conv);
lgraph = connectLayers(lgraph,"anchors","convClassification");

Создайте регрессионную ветвь SSD

Создайте слой свертки, где количество фильтров свертки равняется четырехкратному количеству анкерных коробок.

numRegFilters = 4 * numAnchors;
conv = convolution2dLayer(filterSize,numRegFilters,...
    "Name","convRegression",...
    "Padding","same");

Добавьте и соедините слой свертки со слоем якоря.

lgraph = addLayers(lgraph,conv);
lgraph = connectLayers(lgraph,"anchors","convRegression");

Объединить классификационные функции

Создайте ssdMergeLayer инициализировано с количеством классов и количеством слоев редукции данных.

numFeatureExtractionLayers = numel(featureExtractionLayer);
mergeClassification = ssdMergeLayer(numClassesPlusBackground,numFeatureExtractionLayers,...
    "Name","mergeClassification");

Добавьте и соедините слой слияния твердотельных накопителей с convClassification слой.

lgraph = addLayers(lgraph,mergeClassification);
lgraph = connectLayers(lgraph,"convClassification","mergeClassification/in1");

Объедините регрессионные функции

Создайте ssdMergeLayer инициализировано с количеством смещений координат, используемых для уточнения положения якоря, и количеством слоев редукции данных.

numCoordinates = 4;
mergeRegression = ssdMergeLayer(numCoordinates,numFeatureExtractionLayers,...
    "Name","mergeRegression");

Добавьте и соедините слой слияния твердотельных накопителей с convRegression слой.

lgraph = addLayers(lgraph,mergeRegression);
lgraph = connectLayers(lgraph,"convRegression","mergeRegression/in1");

Полная сеть обнаружения твердотельных накопителей

Чтобы завершить классификационную ветвь, создайте и прикрепите слой softmax и слой фокальных потерь.

clsLayers = [
    softmaxLayer("Name","softmax")
    focalLossLayer("Name","focalLoss")
    ];

lgraph = addLayers(lgraph,clsLayers);
lgraph = connectLayers(lgraph,"mergeClassification","softmax");

Чтобы завершить регрессионную ветвь, создайте и присоедините слой прямоугольной регрессии.

reg = rcnnBoxRegressionLayer("Name","boxRegression");

lgraph = addLayers(lgraph,reg);
lgraph = connectLayers(lgraph,"mergeRegression","boxRegression");

Использование analyzeNetwork для проверки сети.

analyzeNetwork(lgraph)

Сеть SSD завершена и может быть обучена с помощью trainSSDObjectDetector функция.