利用Matlab自带的深度学习工具进行车辆区域检测与车型识别【福利-内附源码与数据库】（二）

前言

这次的博客主要是关于如何进行车辆区域检测的，因为前段时间要考试了，沉迷学习（逃 没有更新。把代码上传到了Github，有兴趣的同学可以下下来玩一玩。这一次更新了一个GUI界面，当然，是我们Matlab课的小伙伴一起做的~

如何使用R-CNN?

在Matlab中，其实都很简单，一个训练的函数而已，最后生成一个RCNN-Object对象，即为RCNN训练得到的分类器。

这里直接上我的训练方法吧。一开始用的是上一篇微调后的AlexNet，但是测试的时候（我尼玛那叫一个慢啊）后来使用了cifar10Net，速度有提升，但是效果下降不少。

首先要明确，cifar10Net是Matlab2016b里面送给你的，你可以直接读取，具体可以看http://www.mathworks.com/examples/matlab-computer-vision/mw/vision_product-DeepLearningRCNNObjectDetectionExample-object-detection-using-deep-learning

 load('rcnnStopSigns.mat','cifar10Net')

我们查看网络结构：

cifar10Net.Layers

只有3个卷积层，总共的层数也少了7层，权重参数肯定是下降了一个数量级，快也是有原因的，效果不太好也是有原因的。

然后我们要把这个后面的全连接层改成我们自己的fc-rcnn层，如何修改呢？直接上函数就行：

cifar10NetRCNN= trainRCNNObjectDetector(data, cifar10Net, options, ...
    'NegativeOverlapRange', [0 0.2], 'PositiveOverlapRange',[0.7 1])

训练策略可以参考：

     trainingOptions('sgdm', ...
    'Momentum', 0.9, ...
    'InitialLearnRate', 0.005, ...
    'LearnRateSchedule', 'piecewise', ...
    'LearnRateDropFactor', 0.1, ...
    'LearnRateDropPeriod',128, ...
    'L2Regularization',0.01, ...
    'MaxEpochs', 100, ...
    'MiniBatchSize', 100, ...
    'Verbose', true);

其中这个data，你必须处理成一个table，像这样的格式：

训练的结果：

结果

这里是一些结果：