您可以使用各种技术来执行对象检测。流行的深度学习方法使用卷积神经网络(CNNS),例如R-CNN和YOLO V2,自动学会检测图像内的对象。
您可以选择使用深度学习的对象检测开始的两个关键方法:
无论您是创建自定义对象检测器还是使用预训练的对象检测器,都需要决定要使用哪种类型的对象检测网络:两级网络还是单级网络。
两级网络的初始阶段,如R-CNN及其变体,识别区域提案,或可能包含对象的图像子集。第二阶段对区域内的对象进行分类。两级网络可以获得非常精确的目标检测结果;然而,它们通常比单级网络慢。
机器学习技术也常用于目标检测,它们提供了不同于深度学习的方法。常见的机器学习技术包括:
类似于基于深度学习的方法,您可以选择从佩带的对象检测器开始或创建自定义对象检测器以适合您的应用程序。在使用计算机学习时,您需要手动选择对象的识别功能,与基于深度学习的工作流程中的自动特征选择相比。
确定对象检测的最佳方法取决于您的应用程序和您尝试解决的问题。在机器学习和深度学习之间选择时要记住的主要考虑是您是否拥有强大的GPU和许多标记的培训图像。如果对这些问题中的任何一个的答案是否定,机器学习方法可能是更好的选择。当您有更多图像时,深入学习技术往往会更好地工作,并且GPU减少培训模型所需的时间。
只有几行MATLAB®代码中,您可以构建用于对象检测的机器学习和深度学习模型,而无需成为专家。
MATLAB提供交互式应用程序来准备训练数据和定制卷积神经网络。为目标探测器标记测试图像是一件单调乏味的事情,需要花费大量的时间才能获得足够的训练数据来创建性能良好的目标探测器。这个图片标志应用程序允许您以交互方式标记图像集合中的对象,并提供内置算法来自动标记地面实况数据。对于自动驾驶应用程序,您可以使用地面真理贴标机应用程序,以及视频处理工作流程,您可以使用视频标签应用程序。
自定义现有的CNN或从头开始创建一个可以易于浪费宝贵的培训时间的架构问题。这深网络设计师应用程序使您可以交互地构建,编辑和可视化深度学习网络,同时还提供分析工具,以检查网络之前检查架构问题。
使用MATLAB,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。
使用MATLAB创建算法后,可以利用自动化工作流生成TensorRT或CUDA®代码GPU编码器™执行硬件在环测试。生成的代码可以与现有的项目集成,并且可以用于验证桌面GPU或嵌入式GPU(例如英伟达)上的对象检测算法。®Jetson或NVIDIA驱动平台。
也可以看看:模式识别