5.1 目标分类、检测与分割

        在计算机视觉领域，目标分类、检测与分割是常用计数。三者的联系与区分又在哪呢？目标分类是解决图像中的物体是什么的问题；目标检测是解决图像中的物体是什么，在哪里的问题；目标分割时将目标和背景分离出来，找出目标的轮廓线。

        衡量目标检测性能优劣的指标一方面要体现分类特性(准确度、精确率、召回率)，另一方面要体现其定位特征，对于定位特征，通常用IoU来评价。交并比用来计算两个边界框交集和并集和并集之比，它衡量了两个边界框的重叠程度，如果重叠程度越高，检测越准确

5.2 R-CNN目标检测算法原理与实现

        R-CNN利用候选区域+卷积神经网络的方法，解决了图像中的定位问题，对于小规模数据集的问题，R-CNN利用AlexNet在ImageNet上预训练好的模型，基于迁移学习的原理，对参数进行微调。

     

        第一步：首先会有很多候选框区域，这些区域是由图像分割的方法得到的原始区域然后进行合并，得到的一个层次化的区域，这些区域内就可能存在需要的内容

        第二步：因为使用的为AlexNet，上一章我们很详细的说明了。将我们的候选区域压缩到  227*227，输入到神经网络中获得4096维的矩阵，每个候选区域都有一个矩阵。

        第三步：判断类别，候选框个数*4096特征与20哥SVM支持向量机组成的全职矩阵 4096*20，获得  2000 * 20维矩阵，分别对上述2000×20维矩阵中每一列即每一类进行非极大值抑制剔除重叠建议框，得到该列即该类中得分最高的一些建议框。

         SVM是线性分类器，相当于绘出一条线，让两组不同的数据距离他的距离最远。

        最后修正这个框，得到得分最高的框

  基于上面的过程，下面给出步骤：

        首先通过Image Labeler App构建R-CNN目标检测器，并导入图片

        并利用标签对图像进行标志

        标签完成后导出到工作空间内

trainingdate=objectDetectorTrainingData(gTruth);

        objectDetectorTrainingData函数可以将我们上面导出的图片转换为用于训练的数据，就可以导入网络进行使用了，给出完整代码如下：

%%  进行数据类型的转化
trainingdate=objectDetectorTrainingData(gTruth);
%%  导入网络
net=alexnet;
%%  设置训练策略参数并进行训练
% 设置训练策略参数
options = trainingOptions('sgdm', ...'MiniBatchSize', 128, ...'InitialLearnRate', 1e-3, ...'LearnRateSchedule', 'piecewise', ...'LearnRateDropFactor', 0.1, ...'LearnRateDropPeriod', 100, ...'MaxEpochs',10, ...'Verbose', true);% 训练网络.rcnn = trainRCNNObjectDetector(trainingdate, net, options, ...'NegativeOverlapRange', [0 0.3], 'PositiveOverlapRange',[0.5 1]) ;%%  显示测试结果
% 读取数据
I = imread('E:\MATLAB_DeepLearning\chapter_9\stop_sign_ch\slowtest.jpg');
% 用检测器测试
[bboxes,scores] = detect(rcnn,I);
% 标注测试结果并显示
I = insertObjectAnnotation(I,'rectangle',bboxes,scores);
figure
imshow(I)

效果如下：

111