训练R-CNN深度学习目标检测器
训练基于R-CNN(卷积神经网络区域)的目标检测器。该函数使用深度学习训练检测器检测多个目标类。探测器
= thathrcnnobjectdetector(trainingData
那网络
那选项
)
R-CNN的此实现不会为每个对象类培训SVM分类器。
此功能要求您有深入学习工具箱™和统计和机器学习工具箱™。建议您还有并行计算工具箱™与CUDA一起使用®使英伟达®GPU。有关支持的计算能力的信息,请参阅金宝appGPU支金宝app持情况(并行计算工具箱).
可选地使用自定义区域建议函数训练R-CNN检测器。探测器
= thathrcnnobjectdetector(___,'RegionProposalfcn.
',proposalfcn)
R-CNN的此实现不会为每个对象类培训SVM分类器。
加速数据预处理进行培训,trainRCNNObjectDetector
自动创建和使用一个并行池基于您的平行的偏好设置.这需要并行计算工具箱。
VGG-16、VGG-19、ResNet-101和Inception-ResNet-v2是大型模型。使用大图像进行训练可能会产生“内存不足”的错误。为了减轻这些错误,在调用之前,手动调整图像和边界框地面真实数据的大小trainRCNNObjectDetector
.
支持迁移学习。金宝app当网络通过名称输入时,例如'resnet50'
,然后该软件根据预磨损自动将网络转换为有效的R-CNN网络模型resnet50
(深度学习工具箱)模型。或者,手动指定自定义的R-CNN网络使用分层图
(深度学习工具箱)从预先训练的DAG网络中提取的。看创建R-CNN对象检测网络.
使用trainingOptions
(深度学习工具箱)功能要启用或禁用详细打印。
R.格希克、J.多纳休、T.达雷尔和J.马利克。精确目标检测和语义分割的丰富特征层次计算机愿景和模式识别的IEEE会议的诉讼程序.2014,第580-587页。
[2] Girshick, R.“Fast R-CNN”。IEEE计算机视觉国际会议论文集.2015年,页1440 - 1448。
兹特尼克,C.劳伦斯和P. Dollar。"边缘框:从边缘定位对象"计算机视觉eccv,施普林格2014年,页391 - 405。
ObjectDetortRaringData.
|trainFasterRCNNObjectDetector
|trainFastRCNNObjectDetector
|trainYOLOv2ObjectDetector
|resnet50
(深度学习工具箱)|trainingOptions
(深度学习工具箱)imageCategoryClassifier
|rcnnObjectDetector
|层
(深度学习工具箱)|系列网络
(深度学习工具箱)