R-CNN，FAST R-CNN和R-CNN速度快速入门 - Matlab＆Simulink - Mathworks Switze金宝apprland

R-CNN，FAST R-CNN和更快的R-CNN入门

对象检测是在图像中查找和分类对象的过程。一种深入学习方法，具有卷积神经网络（R-CNN）的区域，将矩形区域提出与卷积神经网络特征结合在一起。R-CNN是一种两级检测算法。第一阶段标识可能包含对象的图像中的区域的子集。第二阶段对每个区域中的对象进行分类。

R-CNN对象探测器的应用包括：

自动驾驶
智能监控系统
面部识别

计算机Vision Toolbox™为R-CNN，FAST R-CNN和更快的R-CNN算法提供对象探测器。

实例分割扩展对象检测以提供各个检测到的对象的像素级分割。计算机Vision Toolbox提供支持Deave Learing方法的图层，例如被称为金宝app蒙版R-CNN的实例分段。有关更多信息，请参阅幻灯片r-cnn入门，例如分段。

使用R-CNN算法检测对象检测

使用带有CNN的区域的对象检测模型基于以下三个过程：

查找可能包含对象的图像中的区域。这些区域被称为区域提案。
从区域提出提取CNN特征。
使用提取的功能对对象进行分类。

R-CNN有三种变体。每个变体都试图优化，加速或增强这些过程中的一个或多个的结果。

R-CNN.

R-CNN检测器[2]首先使用边缘盒等算法生成区域提案[1]。提案区域被裁剪掉了图像并调整大小。然后，CNN对裁剪和调整大小的区域进行分类。最后，区域提议边界盒由使用CNN特征接受训练的支持向量机（SVM）来改进。金宝app

使用trainrcnnobjectdetector培训R-CNN对象检测器的功能。该函数返回一个rcnnobjectdetector.检测图像中对象的对象。

快速r-cnn

与R-CNN检测器一样，快速R-CNN[3]检测器还使用像边缘框等算法来生成区域提案。与R-CNN检测器不同，其中作物和调整区域提出，FAST R-CNN检测器处理整个图像。虽然R-CNN检测器必须对每个区域进行分类，而FAST R-CNN池对应于每个区域提案的CNN特征。FAST R-CNN比R-CNN更有效，因为在FAST R-CNN检测器中，共享重叠区域的计算。

使用TrainFastrcnnobjectDetector.培训快速R-CNN对象检测器的功能。该函数返回一个fastrcnnobjectdetector.从图像中检测对象。

更快的R-CNN

更快的R-CNN[4]探测器添加区域提案网络（RPN）以直接在网络中生成区域提案，而不是使用边缘框等外部算法。RPN使用用于物体检测的锚盒。在网络中生成区域提案更快，更好地调整到您的数据。

使用TrainfasterrcnnobjectDetector.培训更快的R-CNN对象检测器的功能。该函数返回一个fasterrcnnobjectdetector从图像中检测对象。

R-CNN对象探测器的比较

这家对象探测器使用区域提案来检测图像中的对象。所提出的区域的数量决定了检测图像中对象所需的时间。FAST R-CNN和更快的R-CNN探测器旨在提高具有大量区域的检测性能。

R-CNN探测器	描述
`trainrcnnobjectdetector`	训练和检测缓慢允许自定义区域提案
`TrainFastrcnnobjectDetector.`	允许自定义区域提案
`TrainfasterrcnnobjectDetector.`	最佳运行时性能不支持自定义区域提金宝app案

转移学习

您可以使用佩带的卷积神经网络（CNN）作为R-CNN探测器的基础，也称为转移学习。看普里尔的深层神经网络（深度学习工具箱）。使用以下网络之一trainrcnnobjectdetector那TrainfasterrcnnobjectDetector.，或者TrainFastrcnnobjectDetector.职能。要使用任何这些网络，您必须安装相应的深度学习工具箱™型号：

'AlexNet.（深度学习工具箱）'
'vgg16.（深度学习工具箱）'
'vgg19.（深度学习工具箱）'
'Reset50（深度学习工具箱）'
'Resnet101.（深度学习工具箱）'
'Inceptionv3.（深度学习工具箱）'
'googlenet.（深度学习工具箱）'
'InceptionResNetv2.（深度学习工具箱）'
'挤压（深度学习工具箱）'

您还可以根据预先磨则的图像分类CNN设计自定义模型。看看设计R-CNN，FAST R-CNN和更快的R-CNN模型部分和截图深网络设计师（深度学习工具箱）应用程序。

设计R-CNN，FAST R-CNN和更快的R-CNN模型

您可以根据佩带的图像分类CNN设计自定义R-CNN模型。你也可以使用深网络设计师（深度学习工具箱）建立，可视化和编辑深度学习网络。

基本的R-CNN模型以备用网络开头。最后三个分类图层替换为特定于要检测的对象类的新图层。
有关如何创建R-CNN对象检测网络的示例，请参阅创建R-CNN对象检测网络
FAST R-CNN模型在基本R-CNN模型上构建。通过学习一组盒子偏移来添加盒子回归层以改善图像中对象的位置。ROI池层被插入网络中以池为每个区域提案池的CNN特征。
有关如何创建快速R-CNN对象检测网络的示例，请参阅创建快速R-CNN对象检测网络
较快的R-CNN模型在FAST R-CNN模型上构建。添加区域提案网络以产生区域提案，而不是从外部算法获取提案。
有关如何创建更快的R-CNN对象检测网络的示例，请参阅创建更快的R-CNN对象检测网络

深度学习标签培训数据

你可以使用图像贴标器那视频贴图，或者地面真理贴标机（自动驾驶工具箱）应用程序以交互方式标记像素并导出标签数据进行培训。该应用程序还可用于标记对象检测的矩形感兴趣区域（ROI），用于图像分类的场景标签，以及用于语义分割的像素。要从任何贴标程序创建导出的地面真相对象的培训数据，您可以使用ObjectDettortRaringData.或者PixellabeltrainingData.职能。有关更多详细信息，请参阅对象检测和语义分割的培训数据。