主要内容

fasterRCNNLayers

创建一个更快R-CNN对象检测网络

自从R2019b

所有的页面崩溃

语法

lgraph = fasterRCNNLayers (inputImageSize numClasses anchorBoxes,网络)
lgraph = fasterRCNNLayers (inputImageSize numClasses anchorBoxes,网络,featureLayer)
lgraph = fasterRCNNLayers (___、名称、值)

描述

例子

lgraph= fasterRCNNLayers (inputImageSize,numClasses,anchorBoxes,网络)返回一个更快R-CNN网络layerGraph(深度学习工具箱)对象。更快的R-CNN网络检测器是一种基于卷积神经网络对象。探测器预测边界框的坐标,客体性分数,分数和分类的一组锚箱。训练网络,创建使用trainFasterRCNNObjectDetector函数。有关更多信息,请参见开始使用R-CNN、快速R-CNN和R-CNN更快。

lgraph= fasterRCNNLayers (inputImageSize,numClasses,anchorBoxes,网络,featureLayer)根据指定的返回对象检测网络featureLayer的网络。当你使用这个语法指定网络SeriesNetwork(深度学习工具箱),DAGNetwork(深度学习工具箱),或layerGraph(深度学习工具箱)。对象。

lgraph= fasterRCNNLayers (___,名称,值)返回指定的对象检测与可选的网络输入属性名称-值对一个或多个参数。

使用这个函数需要深度学习工具箱™。

例子

全部折叠

这个示例使用:

打开生活的脚本

指定图像大小。

inputImageSize = (224 224 3);

指定检测对象的数量。

numClasses = 1;

使用pretrained ResNet-50网络为基础网络的更快R-CNN网络。你必须下载resnet50(深度学习工具箱)金宝app支持包。

网络=“resnet50”;

指定要使用的网络层特征提取。您可以使用analyzeNetwork(深度学习工具箱)函数名称在网络看到所有的层。

featureLayer =“activation_40_relu”;

指定锚箱。您还可以使用estimateAnchorBoxes函数来估计锚盒子从你的训练数据。

anchorBoxes = [64、64;128128;192192);

创建更快R-CNN对象检测网络。

lgraph = fasterRCNNLayers (inputImageSize numClasses anchorBoxes,…网络、featureLayer)
lgraph = LayerGraph属性:InputNames: {“input_1”} OutputNames: {“rcnnClassification”“boxDeltas”“rpnBoxDeltas”“rpnClassification”}层:x1 nnet.cnn.layer.Layer[188]连接:[205 x2表)

可视化网络使用网络分析仪。

analyzeNetwork (lgraph)

输入参数

全部折叠

指定的网络输入图像大小,转换为矢量格式(高度,宽度,深度]。深度是图像通道的数量。集深度来3为RGB图像1对灰度图像或渠道的数量多光谱和高光谱图像。

类网络进行分类,指定为一个大于0的整数。

锚箱、指定为一个米2的矩阵米锚箱的格式(高度,宽度]。锚箱确定基于对象的规模和比例的训练数据集。例如,如果一个对象是本地化的平方窗口,那么你可以设置锚盒子的大小(128年64 64;128)。

Pretrained分类网络,作为一个指定SeriesNetwork(深度学习工具箱),DAGNetwork(深度学习工具箱),或layerGraph(深度学习工具箱),或者是下面的:

当你指定网络SeriesNetwork(深度学习工具箱)对象,DAGNetwork(深度学习工具箱)对象,或通过名称、功能将网络转换成一个更快R-CNN网络。它将网络建议通过添加一个区域网络(RPN)和ROI马克斯池层,新的分类和回归层支持对象检测。金宝app

特征提取层,指定为一个特征向量或字符串标量。使用一个更深层的网络指定。您可以使用analyzeNetwork(深度学习工具箱)功能视图层的名称输入网络。

请注意

您可以指定任何网络层除了完全连接层功能层。

名称-值参数

指定可选的双参数作为Name1 = Value1,…,以=家,在那里的名字参数名称和吗价值相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。

R2021a之前,用逗号来分隔每一个名称和值,并附上的名字在报价。

例子:“ROIMaxPoolingLayer”,“汽车”

ROI马克斯池层,指定为一个“汽车”,“插入”,或“替换”。您可以指定是否roiMaxPooling2dLayer取代了池层或遵循特征提取层。

如果您选择“汽车”功能:

  • 插入一个新的ROI马克斯池层特征提取后层时,一层一层的特征提取并不是一个马克斯池层。

  • 替换当前池层特征提取后层与一个ROI马克斯池层。

ROI马克斯池层输出大小,指定为“汽车”或2-element向量的正整数。当你设置值“汽车”,函数决定了基于输出大小ROIMaxPoolingLayer财产。它使用的输出大小特征提取层或池层特征提取后层。

输出参数

全部折叠

对象检测网络,作为一个返回layerGraph(深度学习工具箱)对象。和基础网络的输出imageInputLayer标准化值相等。

版本历史

介绍了R2019b

另请参阅

应用程序

功能

主题