为对象检测、分类和缺陷检测对输入数据进行分类
使用机器学习和深度学习的模式识别
您可以在MATLAB中应用机器学习或深度学习技术®在模式识别的应用。
机器学习方法包括准备数据,手动提取特征以区分数据中的类别,以及训练机器学习模型对新对象进行分类。常见的机器学习技术或模型用于目标检测的方法包括聚合通道特征(ACF)、使用定向梯度直方图(HOG)特征的支持向量机分类以及Viola-Jones。这些方法都可以在MATLAB中实现®.
深度学习方法包括准备数据和训练深度神经网络,并在新数据上测试训练好的模型。常见的深度学习模型用于模式识别的是R-CNN和YOLO v2,它们也可以在MATLAB中获得。近年来,深度学习方法比机器学习方法更受欢迎。
机器学习和深度学习方法之间的主要区别在于,深度学习模型需要更大的训练数据集和更多的训练时间,而机器学习模型可以用更小的数据集进行训练,如果不像预期的那样工作,可能更容易解释和调试,但产生的准确性低于在大量标记数据集上训练的深度学习模型。
模式识别在工程中的一个常见应用是制造中的缺陷检测,以提高产品质量,同时降低工业应用中的生产成本。如下图所示公司使用基于视觉的技术和MATLAB在三个阶段有效地检测缺陷:图像捕获,图像处理以提高质量,以及人工智能建模以区分物体的好坏。
监督分类
模式识别的监督分类方法的应用监督式学习输入数据的算法,将人工标记的训练数据与期望的输出配对。
在计算机视觉中,监督模式识别技术被用于光学字符识别(OCR)、目标检测和目标分类。
非监督分类
例子和方法
- 基于深度学习的头盔检测——示例
- 自动缺陷检测与空中客车-用户故事
- 工业应用的自动光学检测和缺陷检测(30:48)
- 使用ACF跟踪移动车辆上的行人——示例
- 音频特征的顺序特征选择——示例
- 使用HOG特征的数字分类——示例
软件参考
- 利用HOG特征和SVM对直立的人进行检测——文档
- 二值分类的支持向量机——文档
- 用级联对象检测器进行对象检测—系统对象
- 监督学习(机器学习)工作流程和算法——文档
- 训练一个级联对象检测器——文档
参见:用于深度学习的MATLAB,对象检测,对象识别,图像识别,图像分割,目视检查,了解更多关于特征提取的知识,机器学习,模式识别视频,点云处理,深度学习,计算机视觉
机器学习匝道
学习用于分类问题的实用机器学习方法的基础知识。