图像识别是识别图像或视频中的物体或特征的过程。它被用于许多应用,如缺陷检测、医学成像和安全监视。
图像识别可以比手动图像检查更快或更准确地加速繁琐的任务和处理图像。图像识别是许多应用中的重要技术,并且是深度学习应用程序中的主要驱动程序,如:
图像识别是这些应用程序中心的核心技术。它识别图像中的对象或场景,并使用该信息作为更大系统的一部分进行决定。图像识别正在帮助这些系统变得更加了解,通过提供对系统的洞察力来实现更好的决策。
图像识别和对象检测是类似的技术,通常一起使用。图像识别标识图像中的对象或场景;对象检测在图像中查找这些对象的实例和位置。
常见的目标检测技术是Faster R-CNN和YOLOv3。
有许多用于图像识别的方法,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,您越可能探索深度学习技巧。
准备训练数据:从一组图像开始,将它们编译到相关的类别中。这也可以包括任何预处理步骤,以使图像更加一致,更准确的模型。
创建深度学习模型:虽然您可以从头构建深度学习模型,但最好从一个预先训练过的模型开始,将其用作应用程序的起点。(了解更多关于佩带的模型。
训练模型: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,模型会学习到更复杂的特征,直到模型能够准确地在训练集中的图像类别之间进行解码。
测试数据:测试模型未见过的新数据以查看模型认为是什么。如果结果不是您所期待的,请在这四个步骤上迭代,直到准确性更加接受。
深度学习技术可能听起来很复杂,但是简单的例子是开始和学习更多技术的好方法。
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。深度学习在训练数据量大的情况下效果最好,迁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™提供用于使用算法,预磨料模型和应用设计和实现深度神经网络的框架。
图像识别的机器学习方法涉及从图像识别和提取密钥特征,并将其用作计算机学习模型的输入。
您可以使用各种机器学习算法和特征提取方法,它们提供许多组合来创建准确的对象识别模型。
提示:使用机器学习进行对象识别,提供了选择最佳特征和学习分类器的最佳组合的灵活性。它可以通过最小的数据来实现准确的结果。统计和机器学习工具箱™提供描述、分析和建模的函数和应用程序数据。
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?在高级别,差异是手动选择具有机器学习的功能,或者自动学习深入学习。
除了深度学习和机器学习,许多经典的图像处理方法在一些应用中都是非常有效的。图像处理技术往往非常适合“基于像素”的识别应用,如:
MATLAB®简化了图像识别的难点。
使用ONNX™(Open Neural network Exchange)导入和导出功能,您可以与TensorFlow™、Keras、PyTorch和咖啡因2等框架中的网络和网络架构进行互操作。