开始R-CNN，快R-CNN，快R-CNN
检测对象是寻找和一个图像中的对象进行分类的过程。一个深度学习方法，将具有卷积神经网络（R-CNN），结合了卷积神经网络的特点的矩形区域的建议区域。R-CNN是一个两阶段检测算法。第一个阶段确定可能包含一个对象的图像中的区域的子集。第二级分类中的每个区域中的对象。
用于R-CNN对象检测器的应用包括：
自主驾驶
智能监测系统
面部识别
计算机视觉工具箱™为R-CNN、快速R-CNN和更快的R-CNN算法提供对象检测器。
使用R-CNN算法进行目标检测
使用具有CNNs的区域进行目标检测的模型基于以下三个过程:
查找图像中可能包含对象的区域。这些区域被称为地区的建议。
从地区提案中提取CNN特征。
分类使用所提取的特征的对象。
R-CNN有三种变体。每个变体都试图优化、加速或增强一个或多个这些过程的结果。
R-CNN
R-CNN探测器[2]首先使用诸如边缘框之类的算法生成区域建议[1]。建议区域从图像中裁剪出来并调整大小。然后，CNN对裁剪和调整大小的区域进行分类。最后，使用CNN特征训练的支持向量机(SVM)对区域建议边界框进行细化。金宝app
使用trainRCNNObjectDetector函数来训练R-CNN对象检测器。该函数返回rcnnObjectDetector对象，用于检测图像中的对象。
快R-CNN
作为在R-CNN检测器，快速R-CNN[3]检测器还使用像边缘盒的算法，以生成区域的建议。不同于R-CNN检测器，其作物和调整大小区域的建议，快速R-CNN检测器处理的整个图像。而一个R-CNN检测器必须每个区域进行分类，快速R-CNN池CNN特征相对应的每个区域的建议。快速R-CNN比R-CNN更高效的，因为在快速R-CNN检测器，用于重叠区域，计算被共享。
使用trainFastRCNNObjectDetector函数来训练一个快速的R-CNN对象探测器。函数返回一个fastRCNNObjectDetector其检测从图像对象。
快R-CNN
R-CNN越快[4]检测器增加了一个区域建议网络(RPN)来直接在网络中生成区域建议，而不是使用像边缘盒这样的外部算法。项使用用于对象检测的锚盒。在网络中产生区的建议是更快，更好地调整你的数据。
使用trainFasterRCNNObjectDetector函数来训练更快R-CNN对象检测器。函数返回一个fasterRCNNObjectDetector其检测从图像对象。
R-CNN对象探测器的比较
对象检测器的这个系列使用区域建议的图像内检测物体。提出区域的数量表明它需要以检测图像中的对象的时间。快速R-CNN和更快的R-CNN探测器被设计用于提高具有大的数量的区域的检测性能。
| R-CNN探测器 | 描述 |
|---|---|
trainRCNNObjectDetector |
|
trainFastRCNNObjectDetector |
|
trainFasterRCNNObjectDetector |
|
迁移学习
您可以使用预训练的卷积神经网络(CNN)作为R-CNN检测器的基础，也称为迁移学习。看到预训练深层神经网络（深学习工具箱）。使用带有下列网络之一trainRCNNObjectDetector,trainFasterRCNNObjectDetector,或trainFastRCNNObjectDetector功能。要使用这些网络，您必须安装相应的深度学习工具箱™模型:
你也可以设计一个自定义模型基于一个预先训练的图像分类CNN。看到设计一个R-CNN，快速R-CNN和更快的R-CNN型号节和深层网络设计师应用程序。
设计一个R-CNN，快速R-CNN和更快的R-CNN型号
您可以根据预训练图像分类CNN设计定制R-CNN模型。您也可以使用深层网络设计师要构建，可视化和编辑了深刻的学习网络。
基本的R-CNN模型开始与预训练网络。最后三个分类层被替换为特定于您要检测的对象类新的层次。
有关如何创建R-CNN对象检测网络的示例，请参见创建R-CNN对象检测网络
快速R-CNN模型建立在基本的R-CNN模型上。通过学习一组box的偏移量，增加box的regression layer来改善图像中对象的位置。在网络中插入一个ROI池层，将每个区域的CNN特性进行池化。
有关如何创建快速R-CNN对象检测网络的示例，请参见创建快速R-CNN目标检测网络
更快的R-CNN模型建立在快速R-CNN模型。的区域的建议网络被添加到产生的区域的建议，而不是从外部算法得到的建议。
有关如何创建更快的R-CNN对象检测网络的示例，请参见创建更快的R-CNN对象检测网络
标记深度学习的培训数据
你可以使用图片标志,贴标签机视频,或地面实况贴标签机(可在自动驾驶工具箱™)应用程序，以交互标签像素和出口标签数据培训。这些应用程序还可以用于标记感兴趣的矩形区域(ROIs)用于对象检测，用于图像分类的场景标签，以及用于语义分割的像素。
参考
[1] Zitnick，C.劳伦斯和P.美元。“边缘框：从边缘目标定位的建议。”计算机视觉ECCV。施普林格国际出版。页391 - 4050。2014.
[2] Girshick, R.， J. Donahue, T. Darrell，和J. Malik。丰富的特征层次结构，用于精确的目标检测和语义分割。CVPR '14计算机视觉与模式识别2014年IEEE会议论文集。页580-587。2014
[3] Girshick，罗斯。“快R-CNN”。IEEE计算机视觉国际会议论文集。2015年
任，邵青，何凯明，罗斯·格什克，孙健。更快的R-CNN:使用区域建议网络实现实时目标检测。神经信息处理系统的进展。28日,2015卷。
另请参阅
应用程序
功能
fastRCNNObjectDetector|fasterRCNNObjectDetector|rcnnObjectDetector|trainFastRCNNObjectDetector|trainFasterRCNNObjectDetector|trainRCNNObjectDetector
相关的例子
更多关于
- 用于对象检测的锚盒
- 深度学习在MATLAB(深度学习工具箱)
- 预训练深层神经网络(深度学习工具箱)
