Вычислите видео предсказания классификатора
dLYVideo = predict(classifier,dlXVideo)classifier задан как r2plus1dVideoClassifier или slowFastVideoClassifier объект классификатора.
[ также возвращает обновленное видео сетевое состояние. Выход, dLYVideo,stateVideo] = predict(classifier,dlXVideo)stateVideo, содержит информацию между учебными итерациями, обеспеченными классификатором. Например, состояние операции нормализации партии.
[ также возвращает предсказания оптического потока в классификатор для обучения. Используйте этот синтаксис, когда вы установите dLYVideo,dlYFlow] = predict(classifier,dlXVideo,dlXFlow)OpticalFlowMethod свойство классификатора возражает против "Farneback".
[ также возвращает обновленную видео сеть и состояния сети оптического потока.dLYVideo,dlYFlow,stateVideo,stateFlow] = predict(classifier,dlXVideo,dlXFlow)
В этом примере показано, как вычислить предсказания для видео с помощью видео классификатора. Чтобы узнать больше, как обучить видео сеть классификатора для вашего набора данных, посмотрите Распознавание Жеста с помощью Видео и Глубокого обучения.
Загрузите видео классификатор, предварительно обученный на кинетике 400 наборов данных.
sf = slowFastVideoClassifier;
Задайте имя видеофайла.
videoFilename = "pushup.mp4";Создайте VideoReader считать видеокадры.
reader = VideoReader(videoFilename);
Считайте необходимое количество видеокадров, соответствующих видео сети классификатора с начала видеофайла. Необходимое количество кадров задано значением 4-го элемента InputSize свойство видео классификатора.
sequenceLength = sf.InputSize(4); sequenceRange = [1, sequenceLength]; videoFrames = read(reader,sequenceRange);
Измените размер видеокадров для предсказания. Необходимая высота и ширина заданы первыми двумя элементами InputSize свойство видео классификатора.
heightWidth = sf.InputSize(1:2); resized = imresize(videoFrames,heightWidth);
Преобразуйте вход, чтобы ввести single.
resized = single(resized);
Перемасштабируйте вход между 0 и 1.
minValue = sf.InputNormalizationStatistics.Min; maxValue = sf.InputNormalizationStatistics.Max; minValue = reshape(minValue,1,1,3); maxValue = reshape(maxValue,1,1,3); resized = rescale(resized,0,1,InputMin=minValue,InputMax=maxValue);
Нормируйте видеоданные с помощью среднего и стандартного отклонения.
meanValue = sf.InputNormalizationStatistics.Mean; stdValue = sf.InputNormalizationStatistics.StandardDeviation; meanValue = reshape(meanValue,1,1,3); stdValue = reshape(stdValue,1,1,3); resized = resized - meanValue; resized = resized./stdValue;
Преобразуйте вход в объект dlarray.
dlVideo = dlarray(resized,"SSCTB");
predictionScores = predict(sf,dlVideo);Найдите метку класса, соответствующую максимальному счету.
[score,idx] = max(predictionScores); label = sf.Classes(idx)
label = categorical
push up
Отобразите предсказанную метку класса и счет.
text = string(label) + "; " + num2str(score,"%0.2f"); frame = videoFrames(:,:,:,end); frame = insertText(frame,[30,30],text,FontSize=24); imshow(frame)
