主要内容

rpnClassificationLayer

分类层地区建议网络(rpn)

自从R2018b

扩展所有的页面

描述

地区建议网络(RPN)分类层分类的图像区域对象或背景通过使用一个交叉熵损失函数。使用这一层创建一个更快R-CNN对象检测网络。

创建

语法

层= rpnClassificationLayer
层= rpnClassificationLayer(“名字”,名称)

描述

层= rpnClassificationLayer创建了一个两级分类层更快R-CNN对象检测网络。

例子

层= rpnClassificationLayer(“名字”,名称)创建了一个两级分类层和设置可选的的名字财产。

属性

全部展开

图层名称,指定为一个特征向量或字符串标量。为层数组输入,trainNetwork(深度学习工具箱),assembleNetwork(深度学习工具箱),layerGraph(深度学习工具箱),dlnetwork(深度学习工具箱)函数自动分配名称层的名称”。

数据类型:字符|字符串

这个属性是只读的。

输入层的数量。这一层只接受一个输入。

数据类型:双

这个属性是只读的。

输入层的名称。这一层只接受一个输入。

数据类型:细胞

例子

全部折叠

打开生活的脚本

创建一个RPN softmax层的名字“rpn_softmax”。

rpnSoftmax = rpnSoftmaxLayer (“名字”,“rpn_softmax”)
rpnSoftmax = RPNSoftmaxLayer属性:名称:“rpn_softmax”

创建一个分类项层的名字“rpn_cls”。

rpnClassification = rpnClassificationLayer (“名字”,“rpn_cls”)
rpnClassification = RPNClassificationLayer属性:名称:“rpn_cls”

添加的RPN softmax RPN层来分类的层数组,形成分类项的分支。

numAnchors = 3;rpnClassLayers = [convolution2dLayer (1, numAnchors * 2,“名字”,“conv1x1_box_cls”)rpnSoftmax rpnClassification]
rpnClassLayers = 3 x1层阵列层:1“conv1x1_box_cls”二维卷积6 1 x1旋转步[1]和填充[0 0 0 0]2 rpn_softmax的RPN Softmax RPN Softmax 3‘rpn_cls RPN分类输出熵损失与“对象”和“背景”类

扩展功能

C / c++代码生成
生成C和c++代码使用MATLAB®编码器™。

GPU的代码生成
生成NVIDIA的CUDA®代码®GPU使用GPU编码器™。

版本历史

介绍了R2018b

另请参阅

|(深度学习工具箱)|

主题