Matlab目标检测-基于Alexnet迁移学习的R-CNN实现

        目标检测就是找出图像中所感兴趣的物体，并确定它们的种类和位置。传统的目标检测方法以特征提取和匹配为核心，存在时间复杂度较高，特征提取鲁棒性较差等缺点。

        本文在Alexnet网络模型的基础上，基于迁移学习原理，来训练R-CNN目标检测网络。并对Matlab自带的stop sign(停止标志)图像数据集进行识别，该数据集已标注好。其实现步骤如下：

        步骤一：导入Alexnet预训练的模型（需要提前下载好， 可参考https://blog.youkuaiyun.com/shitao99/article/details/106536156）。实现代码如下：

%% 步骤1：载入AlexNet
% net=alexnet;  
net =load('alexnet.mat');
net =net.netTransfer;

        步骤二：载入训练集图像，实现代码如下：

data = load('stopSignsAndCars.mat', 'stopSignsAndCars');
stopSignsAndCars = data.stopSignsAndCars;
% 设置图像路径参数
visiondata = fullfile(toolboxdir('vision'),'visiondata');
stopSignsAndCars.imageFilename = fullfile(visiondata, stopSignsAndCars.imageFilename);
% 显示数据
summary(stopSignsAndCars)
% 只保留文件名及其所包含的“stop sign”区域
stopSigns = stopSignsAndCars(:, {'imageFilename','stopSign'});

        步骤三：设置训练参数，并基于迁移学习原理，在Alexnet卷积神经网络基础上，通过41幅包括stop sign的图像训练R-CNN检测器。实现代码如下：

% 设置训练策略
    options = trainingOptions('sgdm', ...
        'MiniBatchSize', 128, ...
        'InitialLearnRate', 1e-3, ...
        'LearnRateSchedule', 'piecewise', ...
        'LearnRateDropFactor', 0.1, ...
        'LearnRateDropPeriod', 100, ...
        'MaxEpochs', 2, ...
        'Plots','training-progress', ...
        'Verbose', true);    
% 训练网络.    
rcnn = trainRCNNObjectDetector(stopSigns, net, options, ...
    'NegativeOverlapRange', [0 0.3], 'PositiveOverlapRange',[0.5 1])

         步骤四：使用测试图像检验训练好的目标检测器对stop sign图像的检测效果，在原图上标记目标区域并显示类别和置信度。实现代码如下：

% 载入测试图片
testImage = imread('stopSignTest.jpg');
% 检测“stop sign“标志
[bboxes,score,label] = detect(rcnn,testImage,'MiniBatchSize',128)

% 计算置信度并显示
[score, idx] = max(score);
bbox = bboxes(idx, :);
annotation = sprintf('%s: (Confidence = %f)', label(idx), score);
outputImage = insertObjectAnnotation(testImage, 'rectangle', bbox, annotation);
figure
imshow(outputImage)

         以上就是matlab实现R-CNN目标检测的全部代码，供大家参考学习。如果有不懂的小伙伴儿，欢迎评论留言或者私信，代码订制也可私信博主(Q:809315756)。