Обнаружение объектов

Выполните классификацию, обнаружение объектов, сверточные нейронные сети использования передачи обучения (CNNs или ConvNets), создайте настроенные детекторы

Обнаружение объектов является методом компьютерного зрения для определения местоположения экземпляров объектов в изображениях или видео. Алгоритмы обнаружения объектов обычно усиливают машинное обучение или глубокое обучение, чтобы привести к значимым результатам. При рассмотрении изображений или видео, люди могут распознать и определить местоположение предметов интереса в течение моментов. Цель обнаружения объектов состоит в том, чтобы реплицировать этот интеллект с помощью компьютера. Лучший подход для обнаружения объектов зависит от вашего приложения и задачи, которую вы пытаетесь решить.

Методы глубокого обучения требуют большого количества помеченных учебных изображений, таким образом, использованию графического процессора рекомендуют уменьшиться, время должно было обучить модель. Основанные на глубоком обучении подходы к обнаружению объектов используют сверточные нейронные сети (CNNs или ConvNets), такие как R-CNN и YOLO v2 или однократное обнаружение (SSD) использования. Можно обучить детектор пользовательского объекта или использовать предварительно обученный детектор объектов путем усиления передачи обучения, подход, который позволяет вам запуститься с предварительно обученной сети и затем подстроить ее для своего приложения. Сверточные нейронные сети требуют Deep Learning Toolbox™. Обучение и предсказание поддерживаются на CUDA^®- способный графический процессор. Использование графического процессора рекомендуется и требует Parallel Computing Toolbox™. Для получения дополнительной информации смотрите Настройки Computer Vision Toolbox и Поддержку Параллельных вычислений в Продуктах Mathworks (Parallel Computing Toolbox).

Методы машинного обучения для обнаружения объектов включают совокупные функции канала (ACF), классификация машин опорных векторов (SVM) с помощью гистограмм ориентированного градиента (ПОЖИРАТЕЛЬ РЕСУРСОВ) функции и алгоритм Виолы - Джонса для человеческой поверхности или обнаружения верхней части тела. Можно принять решение запуститься с предварительно обученного детектора объектов или создать детектор пользовательского объекта, чтобы удовлетворить приложению.

Object detection, neural network

Приложения

Image Labeler	Пометьте изображения для приложений компьютерного зрения
Video Labeler	Пометьте видео для приложений компьютерного зрения

Функции

развернуть все

Обнаружьте объекты

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
`yolov3ObjectDetector`	Создайте детектор объектов YOLO v3
`maskrcnn`	Обнаружьте объекты с помощью Маски сегментация экземпляра R-CNN

Основанные на функции детекторы

`ocr`	Распознайте текст с помощью оптического распознавания символов
`readAprilTag`	Обнаружьте и оцените положение для AprilTag в изображении
`readBarcode`	Обнаружьте и декодируйте 1D или 2D штрихкод в изображении
`acfObjectDetector`	Обнаружьте объекты, использующие совокупные функции канала
`peopleDetectorACF`	Обнаружьте людей, использующих совокупные функции канала
`vision.CascadeObjectDetector`	Обнаружьте объекты с помощью алгоритма Виолы - Джонса
`vision.ForegroundDetector`	Приоритетное обнаружение с помощью смешанных гауссовских моделей
`vision.PeopleDetector`	Обнаружение людей в вертикальной позиции , с использованием функции направленного градиента (HOG)
`vision.BlobAnalysis`	Свойства связанных областей

Обнаружьте объекты, использующие функции точки

`detectBRISKFeatures`	Обнаружьте функции BRISK и возвратите `BRISKPoints` объект
`detectFASTFeatures`	Обнаружьте углы с помощью Алгоритма FAST и возвратите `cornerPoints` объект
`detectHarrisFeatures`	Обнаружьте углы с помощью алгоритма Харриса-Стивенса и возвратите `cornerPoints` объект
`detectKAZEFeatures`	Обнаружьте функции KAZE и возвратите `KAZEPoints` объект
`detectMinEigenFeatures`	Обнаружьте углы с помощью минимального алгоритма собственного значения и возвратите `cornerPoints` объект
`detectMSERFeatures`	Обнаружьте функции MSER и возвратите `MSERRegions` объект
`detectORBFeatures`	Обнаружьте ORB keypoints и возвратите `ORBPoints` объект
`detectSIFTFeatures`	Обнаружьте функции функции инварианта шкалы преобразовывает (SIFT) и возвратите `SIFTPoints` объект
`detectSURFFeatures`	Обнаружьте функции SURF и возвратите `SURFPoints` объект
`extractFeatures`	Извлеките дескрипторы точки интереса
`matchFeatures`	Найдите соответствующие признаки

Выберите Detected Objects

`selectStrongestBbox`	Выберите самые сильные ограничительные рамки из перекрывающихся кластеров
`selectStrongestBboxMulticlass`	Выберите самые сильные ограничительные рамки мультикласса из перекрывающихся кластеров

Обучите детекторы пользовательского объекта

Загрузите обучающие данные

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

Обучите основанные на функции детекторы объектов

`trainACFObjectDetector`	Обучите детектор объектов ACF
`trainCascadeObjectDetector`	Обучите каскадную модель детектора объектов
`trainImageCategoryClassifier`	Обучите классификатор категории изображений

Обучите основанные на глубоком обучении 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

Увеличьте и предварительно обработайте обучающие данные для глубокого обучения

`balanceBoxLabels`	Сбалансируйте метки ограничительной рамки для обнаружения объектов
`bboxcrop`	Обрежьте ограничительные рамки
`bboxerase`	Удалите 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
`randomWindow2d`	Случайным образом выберите прямоугольную область в изображении
`integralImage`	Вычислите 2D интегральное изображение

Глубокие нейронные сети обнаружения объекта проектирования

R-CNN (области со сверточными нейронными сетями)

`rcnnBoxRegressionLayer`	Слой регрессии поля для Быстрого и Faster R-CNN
`fasterRCNNLayers`	Создайте более быструю сеть обнаружения объектов R-CNN
`rpnSoftmaxLayer`	Слой Softmax для сети предложения по области (RPN)
`rpnClassificationLayer`	Слой Classification для сетей предложения по области (RPNs)
`regionProposalLayer`	Слой предложения по области для Faster R-CNN
`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)
`roialign`	Неквантованное объединение ROI `dlarray` данные

YOLO (вы только смотрите однажды),

`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
`spaceToDepthLayer`	Пробел к слою глубины

Фокальные слои потерь

`focalLossLayer`	Создайте фокальный слой потерь с помощью фокальной функции потерь
`focalCrossEntropy`	Вычислите фокальную потерю перекрестной энтропии

SSD (один детектор выстрела)

`ssdMergeLayer`	Создайте слой слияния SSD для обнаружения объектов
`ssdLayers`	Сеть обнаружения мультиобъекта поля SSD

Поля привязки

`anchorBoxLayer`	Создайте слой поля привязки для обнаружения объектов
`estimateAnchorBoxes`	Оцените поля привязки для детекторов объектов глубокого обучения

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

Оцените результаты обнаружения

`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

Блоки

Deep Learning Object Detector

Обнаружьте объекты с помощью обученного детектора объектов глубокого обучения

Темы

Запуск

Начало работы с обнаружением объектов Используя глубокое обучение

Обнаружение объектов с помощью глубоких нейронных сетей.

Укажите типы функции

Выберите функции, которые возвращают и принимают объекты точек для нескольких типов функций

Системы координат

Укажите индексы пикселей, пространственные координаты и трехмерные системы координат

Обнаружение локального признака и экстракция

Узнайте о преимуществах и приложениях локального обнаружения и извлечения объектов.

Отобразите классификацию с мешком визуальных слов

Используйте функции Computer Vision Toolbox™ для классификации категорий изображений путем создания мешка визуальных слов.

Начало работы с каскадным детектором объектов

Обучите пользовательский классификатор

Выберите Function to Visualize Detected Objects

Сравните функции визуализации.

Обучающие данные для обнаружения объектов и Семантической Сегментации

Начало работы с Image Labeler

Интерактивно помечайте прямоугольные ROI для обнаружения объектов, пиксели для семантической сегментации, многоугольники, например, сегментация и сцены для классификации изображений.

Начало работы с Video Labeler

Хранилища данных для глубокого обучения (Deep Learning Toolbox)

Узнать, как использовать хранилища данных в применении глубокого обучения.

Начало работы с маской R-CNN, например, сегментация

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

Обучающие данные для обнаружения объектов и Семантической Сегментации

Создайте обучающие данные для обнаружения объектов или семантической сегментации с помощью Image Labeler или Video Labeler.

Начало работы с глубоким обучением

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.