图像识别是在图像或视频中识别物体或特征的过程。它被用于许多应用,如缺陷检测、医学成像和安全监控。
图像识别可以加快繁琐的任务,并比手工图像检查更快或更准确地处理图像。在许多应用中,图像识别是一项关键技术,也是深度学习应用的主要驱动因素,如:
图像识别是这些应用的核心技术。它在图像中识别物体或场景,并利用这些信息作为更大系统的一部分做出决策。图像识别正在帮助这些系统变得更加敏感,本质上通过提供对系统的洞察力来实现更好的决策。
图像识别的方法有很多,包括机器学习和深度学习技术。您使用的技术取决于应用程序,但一般来说,问题越复杂,您就越有可能想要探索深度学习技术。
准备训练数据:从一组图像开始,将它们编译成相关的类别。这也可能包括任何预处理步骤,以使图像更一致,更准确的模型。
创建一个深度学习模型:虽然您可以从头开始构建深度学习模型,但最好从一个预先训练过的模型开始,您可以将其用作应用程序的起点。(了解更多关于pretrained模型.
培养模式:模型训练包括将测试数据呈现给模型。然后模型对数据进行多次迭代,并自动学习与图像相关的最重要的特征。随着训练的继续,模型将学习更复杂的特征,直到模型能够准确地在训练集中的图像类别之间进行解码。
测试数据:测试模型之前没有看到的新数据,看看模型认为图像是什么。如果结果不是您所期望的,那么重复这四个步骤,直到精确度更容易接受为止。
深度学习技术听起来可能很复杂,但简单的例子是开始学习和更多了解该技术的好方法。
提示:深度学习技术在图像识别中很受欢迎,因为它们提供了高度准确和稳健的结果。深度学习往往在大量训练数据的情况下工作得最好,而迁移学习等技术可以简化图像识别工作流。深度学习工具箱™提供一个框架,用于设计和实现具有算法、预训练模型和应用程序的深度神经网络。
图像识别的机器学习方法包括从图像中识别和提取关键特征,并将它们作为机器学习模型的输入。
你可以使用各种机器学习算法和特征提取方法,它们提供了许多组合来创建精确的目标识别模型。
提示:使用机器学习进行目标识别提供了选择特征和分类器的最佳组合进行学习的灵活性。它可以用最少的数据得到精确的结果。统计和机器学习工具箱™提供描述、分析和建模的功能和应用程序数据。
图像识别:深度学习与机器学习
你如何知道何时使用深度学习或机器学习进行图像识别?在高水平上,区别在于机器学习的手动选择特征或深度学习的自动学习特征。
除了深度学习和机器学习,许多经典的图像处理方法在一些应用中都是非常有效的。图像处理技术往往非常适合“基于像素”的识别应用,如:
MATLAB®简化了图像识别的困难部分。
使用ONNX™(Open Neural network Exchange)导入和导出功能,您可以与TensorFlow™、Keras、PyTorch和咖啡因2等框架的网络和网络架构进行互操作。
参见:模式识别