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先磨款,您都需要决定要使用的对象检测网络类型:两级网络或单级网络。
两级网络的初始阶段,如R-CNN及其变体,识别区域提案或者可能包含对象的图像的子集。第二阶段对该区域提案中的对象进行分类。两阶段网络可以实现非常准确的物体检测结果;然而,它们通常比单级网络慢。
机器学习技术也通常用于对象检测,它们提供不同的方法而不是深度学习。公共机器学习技术包括:
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。
只有几行马铃薯®代码,您可以为物体检测构建机器学习和深度学习模型,而无需成为专家。
MATLAB为两者的互动应用程序提供准备培训数据和自定义卷积神经网络。标记对象探测器的测试图像是乏味的,它可以花费大量时间来获得足够的训练数据来创建表演物体检测器。这图片标志应用程序允许您在图像集合中交互式标签对象,并提供内置算法,以自动标记您的地面真实数据。对于自动化驾驶应用程序,您可以使用地面真相贴标程序应用程序,以及视频处理工作流程,您可以使用视频贴图仪应用程序。
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,您可以使用Tensorflow™-Keras,Pytorch和Caffe2等框架互操作,使用Onnx™(开放式神经网络交换)导入和导出功能。
使用MATLAB创建算法后,您可以利用自动化工作流以生成凸人或CUDA®代码GPU编码器™执行硬件循环测试。生成的代码可以与现有项目集成,可用于验证桌面GPU上的对象检测算法或嵌入式GPU,如NVIDIA®Jetson或NVIDIA Drive Platform。
也可以看看:模式识别