主要内容

fastRCNNObjectDetector

使用快速R-CNN深度学习检测器检测对象

全部展开页面

描述

的fastRCNNObjectDetectorobject从图像中检测目标，使用Fast R-CNN(卷积神经网络区域)目标检测器。要检测图像中的目标，将训练过的检测器传递给检测函数。为了对图像区域进行分类，将检测器传递给classifyRegions函数。

当使用检测或classifyRegions功能与fastRCNNObjectDetector，使用CUDA®使英伟达®强烈推荐使用GPU。GPU大大减少了计算时间。使用GPU需要并行计算工具箱™。有关支持的计算能力的信息，请参见金宝appGPU支金宝app持情况(并行计算工具箱)．

创建

创建一个fastRCNNObjectDetector对象，调用trainFastRCNNObjectDetector函数与训练数据(需要深度学习工具箱™)。

探测器= trainFastRCNNObjectDetector (trainingData…)

属性

全部展开

分类模型的名称，指定为字符向量或字符串标量。属性的第二列的标题默认设置为名称trainingData列于trainFastRCNNObjectDetector函数。您可以在创建您的fastRCNNObjectDetector对象。

例子:“stopSign”

此属性是只读的。

训练的Fast R-CNN检测网络，指定为目标。该对象存储定义Fast R-CNN检测器中使用的卷积神经网络的层。该网络将产生的区域提议分类RegionProposalFcn财产。

区域提议方法，指定为函数句柄。

此属性是只读的。

Fast R-CNN检测器训练要查找的对象类的名称，指定为单元格数组。属性设置此属性trainingData的输入参数trainFastRCNNObjectDetector函数。属性的一部分指定类名trainingData表格

此属性是只读的。

Fast R-CNN网络支持的最小对象大金宝app小，指定为[高度宽度)向量。最小大小取决于网络架构。

对象的功能

检测 使用快速R-CNN对象检测器检测对象
classifyRegions 使用Fast R-CNN对象检测器对图像区域中的对象进行分类

例子

全部折叠

打开生活的脚本

通过使用更快的R-CNN对象检测器检测图像内的车辆。

加载一个更快的R-CNN物体探测器，预先训练检测车辆。

data =负载(“fasterRCNNVehicleTrainingData.mat”，“探测器”）;探测器= data.detector;

阅读测试图像。

我= imread (“highway.png”）;imshow(我)

图中包含一个坐标轴。轴包含一个image类型的对象。

在图像上运行检测器并检查结果。标签来自一会检测器的属性。

[bboxes、分数、标签]=检测(探测器,我)
bboxes =2×4150 86 80 72 91 89 67 48
成绩=2x1单列向量1.0000 - 0.9001
标签=2 x1分类车车

该探测器对探测有很高的可信度。用检测的边界框和相应的检测分数标注图像。

detectedI = insertObjectAnnotation(我“矩形”、bboxes cellstr(标签);图imshow (detectedI)

图中包含一个坐标轴。轴包含一个image类型的对象。

另请参阅

应用程序

功能

对象

主题

介绍了R2017a

计算机视觉工具箱文档

金宝app

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书