rpnClassificationLayer

区域提议网络分类层

全部展开页面

描述

区域建议网络(RPN)分类层将图像区域分为两种对象或背景通过交叉熵损失函数。使用这一层创建一个更快的R-CNN对象检测网络。

创建

语法

层= rpnClassificationLayer

层= rpnClassificationLayer(“名字”,名称)

描述

层= rpnClassificationLayer为更快的R-CNN对象检测网络创建两类分类层。

例子

层= rpnClassificationLayer(“名字”,名称)创建一个两类分类层并设置可选的的名字财产。

属性

全部展开

`的名字`- - - - - -层的名字
`＇＇`(默认)|特征向量|字符串标量

层名，指定为字符向量或字符串标量。为层数组输入,trainNetwork，assembleNetwork，layerGraph,dlnetwork函数自动为层分配名称的名字设置为＇＇．

数据类型:字符|字符串

`NumInputs`- - - - - -输入数量
`1`(默认)

此属性是只读的。

层的输入数。这一层只接受单个输入。

数据类型:双

`InputNames`- - - - - -输入名字
`{'在'}`(默认)

此属性是只读的。

输入层名。这一层只接受单个输入。

数据类型:细胞

例子

全部折叠

创建RPN的分类分支

打开生活的脚本

创建一个带有名称的RPN softmax层“rpn_softmax”．

rpnSoftmax = rpnSoftmaxLayer (“名字”，“rpn_softmax”）

rpnSoftmax = RPNSoftmaxLayer with properties: Name: 'rpn_softmax'

使用名称创建一个RPN分类层“rpn_cls”．

rpnClassification = rpnClassificationLayer (“名字”，“rpn_cls”）

rnclassification = rnclassificationlayer with properties: Name: 'rpn_cls'

将RPN softmax和RPN分类层添加到层数组，以形成RPN的分类分支。

numAnchors = 3;rpnClassLayers =[卷积2dlayer (1,numAnchors*2，“名字”，“conv1x1_box_cls”) rpnSoftmax rpnClassification]

rpnClassLayers = 3x1 Layer array with layers: 1 'conv1x1_box_cls' Convolution 6 1x1卷积与stride[1 1]和padding [0 0 0] 2 'rpn_softmax' RPN Softmax RPN Softmax 3 'rpn_cls' RPN Classification Output cross-entropy loss with 'object' and 'background' classes