MATLAB用于绘制ROC曲线的代码，用于使用深度学习Reset50模型进行对象检测和分类

13意见（过去30天）

Bayomatthew. 2020年3月5日

回答： Sinan Salim.2021年8月15日21:47

我需要从下面的代码中绘制ROC曲线。关于如何进行的任何输入，都会得到很大的赞赏。

IMDS = imageageAtastore（imagefolder，'labelsource'，'foldernames'，'uppordubfolders'，true）;％minsetcount = min类别中的最小图像（tbl {:,2}）;

%限制图像的数量以减少%运行此示例所需的时间。maxNumImages=100；minSetCount=min（最大图像数，minSetCount）；

%使用splitEachLabel方法修剪集合。imds=splitEachLabel（imds，minSetCount，“随机化”）；

％注意，每个设置现在都有完全相同数量的图像。CountAckeLabel（IMDS）％加载净定网络net = resnet50（）[培训集，testset] = spliteachlabel（IMDS，0.3，'Acquory'）;％从训练和测试集创建AugmentedimageGageTastore，以将IMD中的％图像调整为网络所需的大小。iconageize = net.layers（1）.Inputsize;AugmentedTrainingset = AugmentedimageGedAtastore（图像化，培训集，'ColorPrepossing'，'Gray2RGB'）;AugmentedTestset = AugmentedimageDataStore（图像，测试集，'ColorPrepossing'，'Gray2RGB'）;％获得第二卷积层W1 = Net.Layers（2）的网络权重;重量;

％缩放并调整可视化的权重W1 = MAT2Gray（W1）;W1 = Imresize（W1,5）;

％显示网络权重的蒙太奇。第一层中有96个单独的％重量。图蒙太奇（W1）标题（'第一个卷积层重量'）FeatureLayer ='FC1000';TrainingFeatures =激活（Net，AugmentedTraininget，FeatureleLayer，...'Minibatchsize'，32，'Outputas'，'列'）;％从培训训练训练中获取培训标签=培训队。

％列车使用快速线性求解器的多字符SVM分类器，并将％'观察'设置为“列”以匹配用于训练％功能的布置。分类器= fitcecoc（培训方法，培训师，......'学习者'，'linear'，'编码'，'Onevsall'，'观察'，'列'）;％Extract测试功能使用CNN TestFeatures =激活（NET，AugmentedTestset，FeatureLayer，...'Minibatchsize'，32，'Outputas'，'列'）;

%将CNN图像特征传递给经过训练的分类器predictedLabels=predict（分类器，testFeatures，'ObservationsIn'，'columns'）；

%获取已知标签testLabels=testSet.labels；

％使用混乱矩阵制表结果。confmat = confusionmat（testlabels，predightlabels）;

％将混淆矩阵转换为百分比形式Confmat = BSXFUN（@ Rdivide，Confmat，Sum（Confmat，2））％显示平均精度（DIAG（CONFMAT））

testImage=readimage（testSet，1）；testLabel=testSet.Labels（1）%Create augmentedImageDatastore可在使用激活提取%图像功能时自动调整图像大小。ds=增强图像数据存储（图像大小、测试图像、“颜色预处理”、“灰度2RGB”）；

使用CNN ImageFeatures =激活（NET，DS，FeatureLayer，'Outputas'，'列'）提取图像特征;％使用分类器预测标记=预测（分类器，ImageFeatures，'观察'，'列'）进行预测