基于深度学习的目标检测
使用卷积神经网络（CNN或CONVNET）执行分类、目标检测、转移学习
卷积神经网络(cnn，或ConvNets)是深度学习的重要工具，在图像分类、目标检测和识别任务中特别有用。cnn是由一系列相互连接的层实现的。这些层由重复的卷积块、ReLU(整流线性单元)和池化层组成。卷积层用一组滤波器对它们的输入进行卷积。在网络训练过程中，过滤器被自动学习。ReLU层增加了网络的非线性，使网络能够近似图像像素与图像语义内容之间的非线性映射。池化层向下采样它们的输入，并帮助巩固局部图像特征
卷积神经网络需要深入的学习工具箱™. CUDA支持训练和预测万博1manbetx®-具有3.0或更高计算能力的GPU。建议使用GPU，并需要并行计算工具箱™
您可以构建CNN体系结构，使用语义分段训练网络，并使用训练过的网络预测类标签或检测对象。您还可以从预训练的网络中提取特征，并使用这些特征训练分类器。此外，您可以执行转移学习，在新数据上重新训练CNN图片标识,视频贴标机，特征提取器和分类器，以创建自定义检测器
功能
话题
开始
比较可视化功能。
使用深度学习神经网络进行目标检测。
R-CNN、快速R-CNN和快速R-CNN基础
使用Mask R-CNN和深度学习执行多类实例分割。
你只看一次（约洛）
单发检测基础知识。
深度学习对象检测中使用的锚定框的基础知识
基于深度学习的目标检测
深度网络设计器（深度学习工具箱）
深度学习层列表（深度学习工具箱）
在MATLAB中发现所有深度学习层®.
MATLAB中的深度学习（深度学习工具箱）
使用卷积神经网络进行分类和回归，包括预训练网络和转移学习，以及GPU、CPU、群集和云上的培训，在MATLAB中发现深度学习能力。
预训练深度神经网络（深度学习工具箱）
了解如何下载并使用预训练卷积神经网络进行分类、转移学习和特征提取。
特色实例
您还可以从以下列表中选择网站：
