主要内容

开始与R-CNN，快速的R-CNN，更快的R-CNN

对象检测是在图像中查找和分类对象的过程。一种深入学习方法，具有卷积神经网络（R-CNN）的区域，将矩形区域提出与卷积神经网络特征结合在一起。R-CNN是一种两级检测算法。第一阶段标识可能包含对象的图像中的区域的子集。第二阶段对每个区域中的对象进行分类。

R-CNN对象探测器的应用包括：

  • 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、Fast R-CNN和Faster R-CNN算法提供对象探测器。

实例分割扩展对象检测以提供各个检测到的对象的像素级分割。计算机Vision Toolbox提供支持Deave Learing方法的图层，例如被称为金宝app蒙版R-CNN的实例分段。有关更多信息，请参阅开始使用掩码R-CNN进行实例分割．

使用R-CNN算法的目标检测

基于cnn区域的目标检测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．

  • 从区域提案中提取CNN特征。

  • 使用提取的功能对对象进行分类。

R-CNN有三种变体。每种变体都试图优化、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］首先使用边盒等算法生成区域建议[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，利用CNN特征训练的支持向量机(SVM)对区域提议边界框进行精炼。金宝app

使用trainRCNNObjectDetector培训R-CNN对象检测器的功能。该函数返回一个rcnnObjectDetector在图像中检测物体的对象。

快速r-cnn

与R-CNN检测器一样，快速R-CNN［３］检测器还使用像边缘框等算法来生成区域提案。与R-CNN检测器不同，其中作物和调整区域提出，FAST R-CNN检测器处理整个图像。虽然R-CNN检测器必须对每个区域进行分类，而FAST R-CNN池对应于每个区域提案的CNN特征。FAST R-CNN比R-CNN更有效，因为在FAST R-CNN检测器中，共享重叠区域的计算。

使用TrainFastrcnnobjectDetector.函数来训练一个快速的R-CNN对象检测器。函数返回fastRCNNObjectDetector从图像中检测对象。

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Edge Boxes这样的外部算法。项使用用于对象检测的锚盒．在网络中生成区域提案更快，更好地调整到您的数据。

使用trainFasterRCNNObjectDetector培训更快的R-CNN对象检测器的功能。函数返回fasterRCNNObjectDetector从图像中检测对象。

R-CNN物体探测器的比较

这家对象探测器使用区域提案来检测图像中的对象。所提出的区域的数量决定了检测图像中对象所需的时间。FAST R-CNN和更快的R-CNN探测器旨在提高具有大量区域的检测性能。

R-CNN探测器 描述
trainRCNNObjectDetector

  • 训练和检测缓慢

  • 允许自定义区域提案
TrainFastrcnnobjectDetector.

  • 允许自定义区域提案
trainFasterRCNNObjectDetector

  • 最优运行时性能

  • 不支持自定义区域提金宝app案

转移学习

您可以使用预先训练的卷积神经网络(CNN)作为R-CNN检测器的基础，也称为转移学习．看普里尔的深层神经网络(深度学习工具箱)．使用下列网络之一trainRCNNObjectDetector，trainFasterRCNNObjectDetector,或TrainFastrcnnobjectDetector.功能。要使用任何这些网络，您必须安装相应的深度学习工具箱™模型:

您还可以根据预先训练的图像分类CNN设计自定义模型。看到设计R-CNN，FAST R-CNN和更快的R-CNN模型节和深网络设计师(深度学习工具箱)应用程序。

设计R-CNN，FAST R-CNN和更快的R-CNN模型

您可以根据佩带的图像分类CNN设计自定义R-CNN模型。你也可以使用深网络设计师(深度学习工具箱)建立，可视化和编辑深度学习网络。

  1. 基本的R-CNN模型以备用网络开头。最后三个分类图层替换为特定于要检测的对象类的新图层。

    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

  2. Fast R-CNN模型建立在基本R-CNN模型的基础上。通过学习一组方框偏移量，添加方框回归层来改善物体在图像中的位置。在网络中插入感兴趣区域池化层，将每个区域提案的CNN特征池化。

    有关如何创建Fast R-CNN对象检测网络的示例，请参见创建快速R-CNN对象检测网络

  3. 较快的R-CNN模型在FAST R-CNN模型上构建。添加区域提案网络以产生区域提案，而不是从外部算法获取提案。

    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

为深度学习标记训练数据

你可以使用图片标志，贴标签机视频,或地面真理贴标机(自动驾驶工具箱)应用程序交互标签像素和导出标签数据的培训。这些应用程序还可以用于标记用于目标检测的矩形感兴趣区域(roi)，用于图像分类的场景标签，以及用于语义分割的像素。要从任何标签导出的ground truth对象创建训练数据，可以使用objectDetectorTrainingData或者pixelLabelTrainingData功能。有关更多详细信息，请参阅目标检测和语义分割的训练数据．

参考

[1] Zitnick，C. Lawrence和P. Dollar。“边缘盒子：从边缘找到对象提案。”计算机Vision-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，用于准确对象检测和语义细分。”CVPR'14计算机愿景和模式识别的2014年IEEE会议的会议记录．第580-587页。2014年

[3]吉伦克，罗斯。“快速r-cnn。”IEEE计算机视觉国际会议论文集．2015年

任绍庆，何开明，Ross Girshick，孙健更快的R-CNN:面向区域提议网络的实时目标检测神经信息处理系统研究进展．28日,2015卷。

另请参阅

应用程序

功能

相关的例子

更多关于

计算机视觉工具箱文档

金宝app

与Matlab引入深度学习

与Matlab引入深度学习

下载电子书