Это свойство доступно только для чтения.

Размер видео сети классификатора в виде четырехэлементного вектора-строки в форме [H, W, C, T], где H и W представляют высоту и ширину соответственно, C, представляют количество каналов, и T представляет количество кадров для видео подсети.

Входной размер подсети потока равен в высоте, ширине и количестве кадров, но количество каналов фиксируется к 2.

Типичные значения для количества кадров равняются 8, 16, 32, или 64. Увеличьте количество кадров, чтобы получить временную природу действий когда обучение классификатор. Когда вы используете данные об оптическом потоке, количество каналов должно равняться 2, которые соответствуют x - и y - компоненты скорости.

Это свойство доступно только для чтения.

Статистика нормализации для данных о видео и оптическом потоке в виде структуры с именами полей Video и OpticalFlow, которые являются также структурами с именами полей, MinMax среднее значение, и StandardDeviation. Min и Max значения полей задают минимальные и максимальные значения для того, чтобы перемасштабировать данные о видео и оптическом потоке. Mean, и StandardDeviation значения задают среднее и стандартное отклонение для входной нормализации. Все значения полей должны быть заданы как вектор-строка из размера, равного количеству каналов для данных о вводе видео. Когда вы используете данные об оптическом потоке, количество каналов должно равняться 2, которые соответствуют x - и компоненты y скорости.

Структура по умолчанию содержит:

Для ввода видео данные перемасштабируются между -1 и 1 использование Min и Max значения полей. Для входа оптического потока данные перемасштабируются между -1 и 1 использование вычислило минимальные и максимальные значения из входных данных.

Пример с помощью этого свойства:

stats.Video = struct(Min=[0,0,0],Max=[255,255,255], ...
Mean=[],StandardDeviation=[]);
stats.OpticalFlow = struct(Min=[-20,-20],Max=[20,20] ,...
Mean=[],StandardDeviation=[]);
i3d = inflated3dVideoClassifier('googlenet-video-flow',["waving","clapping"],InputNormalizationStatistics=stats);

Имя обученного видео классификатора в виде строкового скаляра.

Это свойство доступно только для чтения.

Классы, которые видео классификатор сконфигурирован, чтобы обучить или классифицировать в виде вектора из строк или массива ячеек из символьных векторов. Например:

classes = ['kiss','laugh','pick','pour','pushup'];

Настраиваемые параметры для видео подсети видео классификатора I3D в виде таблицы с тремя столбцами.

Сетевые настраиваемые параметры содержат функции, изученные сетью. Например, веса свертки и полносвязных слоев.

Состояние nonlearnable параметров для видео подсети видео классификатора I3D в виде таблицы с тремя столбцами.

Сетевое состояние содержит информацию, которую помнит сеть между итерациями. Например, состояние LSTM и слоев нормализации партии. Во время обучения или вывода, можно обновить сетевое состояние с помощью выхода форварда и предсказать функции.

Настраиваемые параметры для подсети оптического потока видео классификатора I3D в виде таблицы с тремя столбцами. Сетевые настраиваемые параметры в виде таблицы с тремя столбцами:

Сетевые настраиваемые параметры содержат функции, изученные сетью. Например, веса свертки и полносвязных слоев.

Состояние nonlearnable параметров для видео подсети видео классификатора I3D в виде таблицы с тремя столбцами. Сетевые настраиваемые параметры в виде таблицы с тремя столбцами:

Сетевые настраиваемые параметры содержат функции, изученные сетью. Например, веса свертки и полносвязных слоев.

Это свойство доступно только для чтения.

Видео последовательность раньше обновляла и классифицировала последовательности для для потоковой передачи классификации в виде 4-D числового массива. Каждый вектор в массиве имеет форму [H, W, C, T], где H и W представляют высоту и ширину соответственно, C представляет количество каналов, и T представляет количество кадров для видео подсети. updateSequence и classifySequence возразите, что функции используют видео последовательность, заданную VideoSequence свойство.

Это свойство доступно только для чтения.

Последовательность оптического потока раньше обновляла и классифицировала последовательности для потоковой передачи классификации в виде 4-D числового массива. Каждый вектор в массиве имеет форму (H, W, C, T), где H и W представляют высоту и ширину соответственно, C представляет количество каналов, и T представляет количество кадров для подсети оптического потока. updateSequence и classifySequence возразите, что функции используют последовательность оптического потока, заданную OpticalFlowSequence.