【MATLAB教程案例57】使用matlab实现RCNN,FastRCNN以及FasterRCNN网络目标检测功能与仿真分析

欢迎订阅《FPGA学习入门100例教程》、《MATLAB学习入门100例教程》

目录

1.软件版本

2.RCNN概述和matlab编程实现

2.1RCNN概述

2.2RCNN的matlab编程实现

3.FastRCNN概述和matlab编程实现

3.1FastRCNN概述

3.2FastRCNN的matlab编程实现

4.FasterRCNN概述和matlab编程实现

4.1FasterRCNN概述

4.2FasterRCNN的matlab编程实现

1.软件版本

matlab2021a

2.RCNN概述和matlab编程实现

2.1RCNN概述

       R-CNN的全称是Region-CNN，它可以说是第一个成功将深度学习应用到目标检测上的算法。 传统的目标检测方法大多以图像识别为基础。 一般可以在图片上使用穷举法选出所有物体可能出现的区域框，对这些区域框提取特征并使用图像识别方法分类， 得到所有分类成功的区域后,通过非极大值抑制(Non-maximumsuppression)输出结果。R-CNN遵循传统目标检测的思路，同样采用提取框，对每个框提取特征、图像分类、 非极大值抑制四个步骤进行目标检测。只不过在提取特征这一步，将传统的特征(如 SIFT、HOG 特征等)换成了深度卷积网络提取的特征。

      RCNN包含了三个主要的模块：

1. 生成类别独立的regoin proposal（区域建议），为感知器定义候选区域
2. CNN提取固定长度的特征
3. 线性SVM分类器进行类别的分类

相关的原理，我们可以看论文：