使用机器学习和深度学习的模式识别
您可以使用MATLAB应用机器学习或深度学习技术®在模式识别应用中。
机器学习方法包括准备数据、手动提取特征以区分数据中的类,以及训练机器学习模型对新对象进行分类。常见的机器学习技术或模型用于目标检测的工具包括聚合通道特征(ACF)、使用方向梯度直方图特征(HOG)的SVM分类和Viola-Jones。这些方法在MATLAB中都是可用的®.
深度学习方法包括准备数据和训练深度神经网络,并在新数据上测试训练过的模型。常见的深度学习模型用于模式识别的R-CNN和YOLO v2,也可在MATLAB中使用。近年来,深度学习方法比机器学习方法更受欢迎。
机器学习和深度学习方法的主要区别在于,深度学习模型需要更大的训练数据集和更多的训练时间,而机器学习模型可以用更小的数据集进行训练,如果不能像预期的那样工作,可能更容易解释和调试,但其准确率低于在大量标记数据上训练的深度学习模型。
模式识别在工程中的一个常见应用是在工业应用中对制造中的缺陷进行检测,以提高产品质量,降低生产成本。下图展示了如何做到这一点公司使用基于视觉的技术与MATLAB在三个阶段有效地检测缺陷:图像捕获,图像处理,以提高质量,和人工智能建模分类的对象是好还是坏。
监督分类
应用模式识别的监督分类方法监督式学习输入数据的算法,将人工标记的训练数据与期望的输出配对。
在计算机视觉中,监督模式识别技术用于光学字符识别(OCR)、目标检测和目标分类。