图像识别是识别图像或视频中的对象或特征的过程。它被用于许多应用,如缺陷检测、医疗成像和安全监控。
与手动图像检查相比,图像识别可以加快繁琐的任务并更快或更准确地处理图像。图像识别是许多应用中的关键技术,也是深度学习应用的主要驱动力,如:
图像识别是这些应用的核心技术。它识别图像中的对象或场景,并使用这些信息作为更大系统的一部分来做出决策。图像识别帮助这些系统变得更加敏感,本质上通过提供对系统的洞察来实现更好的决策。
图像识别有很多方法,包括机器学习和深度学习技术。您使用的技术取决于应用程序,但一般来说,问题越复杂,您就越有可能希望探索深度学习技术。
准备培训数据:从图像集合开始,并将其编译为相关类别。这还可以包括任何预处理步骤,以使图像更加一致,从而获得更精确的模型。
创建深度学习模型:虽然您可以从头构建一个深度学习模型,但最好从一个预训练模型开始,您可以将其用作应用程序的起点。(了解更多关于预训练模型.
培训模型:模型训练包括向模型展示测试数据。然后,该模型对数据进行多次迭代,并自动学习与图像相关的最重要特征。随着训练的继续,模型将学习更复杂的特征,直到模型能够准确地在训练集中的图像类别之间解密。
测试数据:测试模型以前从未见过的新数据,看看模型认为图像是什么。如果结果不是您所期望的,则重复这四个步骤,直到精度更高。
深度学习技术听起来可能很复杂,但简单的例子是一个很好的入门和学习技术的方法。
提示:深度学习技术在图像识别中很受欢迎,因为它们提供了高度准确和稳健的结果。深度学习在处理大量训练数据时效果最好,而转移学习等技术可以简化图像识别工作流程。深度学习工具箱™提供一个框架,用于设计和实现具有算法、预训练模型和应用程序的深度神经网络。
图像识别的机器学习方法涉及从图像中识别和提取关键特征,并将其作为机器学习模型的输入。
您可以使用各种机器学习算法和特征提取方法,它们提供多种组合来创建精确的对象识别模型。
提示:使用机器学习进行对象识别可以灵活地选择用于学习的特征和分类器的最佳组合。它可以用最少的数据获得准确的结果。统计和机器学习工具箱™提供用于描述、分析和建模的功能和应用程序数据
图像识别:深度学习与机器学习
您如何知道何时使用深度学习或机器学习进行图像识别?在高层次上,区别在于通过机器学习手动选择特征,或者通过深度学习自动学习特征。
除了深度学习和机器学习外,许多经典的图像处理方法在某些应用的图像识别方面非常有效。图像处理技术往往非常适合“基于像素”的识别应用,例如:
MATLAB®简化了图像识别的困难部分。
您可以通过TensorFlow等框架与网络和网络体系结构进行互操作™, 使用ONNX的Keras、PyTorch和Caffe2™ (开放式神经网络交换)导入和导出功能。
另见:模式识别