객체 검출

컨벌루션 신경망(CNN 또는 ConvNet)을 사용하여 분류, 객체 검출, 전이 학습 수행, 사용자 지정된 검출기 만들기

객체 검출은 영상 또는 비디오에서 객체 인스턴스를 찾기 위한 컴퓨터 비전 기법입니다. 객체 검출 알고리즘은 의미 있는 결과를 생성하기 위해 일반적으로 머신러닝 또는 딥러닝을 활용합니다. 사람은 영상이나 비디오를 보고 바로 관심 객체를 인식하고 찾을 수 있습니다. 객체 검출의 목표는 컴퓨터를 사용하여 이러한 사람의 지능을 재현하는 것입니다. 어떤 객체 검출 방법이 가장 적합한지는 사용자가 해결하려는 문제와 해당 응용 분야에 따라 다릅니다.

딥러닝 기법은 레이블이 지정된 훈련 영상이 아주 많이 필요하며, 따라서 모델 훈련에 걸리는 시간을 줄이기 위해 GPU를 사용할 것을 권장합니다. 딥러닝 기반의 객체 검출은 R-CNN, YOLO 같은 컨벌루션 신경망(CNN 또는 ConvNet)을 사용하거나 SSD(single-shot detection)를 사용합니다. 사용자 지정 객체 검출기를 훈련시킬 수도 있고, 사전 훈련된 신경망으로 시작해서 응용 사례에 맞게 미세 조정하는 전이 학습을 활용하는 방식으로 사전 훈련된 객체 검출기를 사용할 수도 있습니다. 컨벌루션 신경망을 사용하려면 Deep Learning Toolbox™가 필요합니다. 훈련과 예측은 CUDA^®가 사용 가능한 GPU에서 지원됩니다. GPU를 사용하는 것이 권장되며, 이를 위해서는 Parallel Computing Toolbox™가 필요합니다. 자세한 내용은 Computer Vision Toolbox 기본 설정 및 Parallel Computing Support in MathWorks Products (Parallel Computing Toolbox) 항목을 참조하십시오.

객체 검출을 위한 머신러닝 기법으로는 ACF(Aggregate Channel Features), HOG(Histograms of Oriented Gradient) 특징을 사용하는 SVM(서포트 벡터 머신) 분류, 사람의 얼굴이나 상반신 검출을 위한 Viola-Jones 알고리즘 등이 있습니다. 사전 훈련된 객체 검출기로 시작하거나 응용 사례에 적합한 사용자 지정 객체 검출기를 만들 수 있습니다.

앱

영상 레이블 지정기	컴퓨터 비전 응용 분야에서 영상에 레이블 지정
비디오 레이블 지정기	Label video for computer vision applications

함수

모두 확장

객체 검출

딥러닝 검출기

`rcnnObjectDetector`	Detect objects using R-CNN deep learning detector
`fastRCNNObjectDetector`	Detect objects using Fast R-CNN deep learning detector
`fasterRCNNObjectDetector`	Detect objects using Faster R-CNN deep learning detector
`ssdObjectDetector`	Detect objects using SSD deep learning detector
`yolov2ObjectDetector`	Detect objects using YOLO v2 object detector
`yolov3ObjectDetector`	Detect objects using YOLO v3 object detector
`yolov4ObjectDetector`	Detect objects using YOLO v4 object detector
`maskrcnn`	Detect objects using Mask R-CNN instance segmentation

특징 기반 검출기

`ocr`	Recognize text using optical character recognition
`readAprilTag`	Detect and estimate pose for AprilTag in image
`readBarcode`	Detect and decode 1-D or 2-D barcode in image
`acfObjectDetector`	Detect objects using aggregate channel features
`peopleDetectorACF`	Detect people using aggregate channel features
`vision.CascadeObjectDetector`	Detect objects using the Viola-Jones algorithm
`vision.ForegroundDetector`	Foreground detection using Gaussian mixture models
`vision.PeopleDetector`	Detect upright people using HOG features
`vision.BlobAnalysis`	Properties of connected regions

특징점을 사용한 객체 검출

`detectBRISKFeatures`	BRISK 특징을 검출하고 `BRISKPoints` 객체를 반환
`detectFASTFeatures`	FAST 알고리즘을 사용하여 코너를 검출하고 `cornerPoints` 객체 반환
`detectHarrisFeatures`	Harris–Stephens 알고리즘을 사용하여 코너를 검출하고 `cornerPoints` 객체 반환
`detectKAZEFeatures`	Detect KAZE features
`detectMinEigenFeatures`	최소 고유값 알고리즘을 사용하여 코너를 검출하고 `cornerPoints` 객체 반환
`detectMSERFeatures`	Detect MSER features
`detectORBFeatures`	Detect ORB keypoints
`detectSIFTFeatures`	SIFT(Scale-Invariant Feature Transform) 특징 검출 및 `SIFTPoints` 객체 반환
`detectSURFFeatures`	SURF 특징을 검출하고 `SURFPoints` 객체를 반환
`extractFeatures`	Extract interest point descriptors
`matchFeatures`	매칭되는 특징 찾기

검출된 객체 선택

`selectStrongestBbox`	Select strongest bounding boxes from overlapping clusters
`selectStrongestBboxMulticlass`	Select strongest multiclass bounding boxes from overlapping clusters

사용자 지정 객체 검출기 훈련

훈련 데이터 불러오기

`boxLabelDatastore`	Datastore for bounding box label data
`groundTruth`	Ground truth label data
`imageDatastore`	이미지 데이터의 데이터저장소
`objectDetectorTrainingData`	Create training data for an object detector
`combine`	여러 데이터저장소의 데이터 결합

특징 기반 객체 검출기 훈련

`trainACFObjectDetector`	Train ACF object detector
`trainCascadeObjectDetector`	Train cascade object detector model
`trainImageCategoryClassifier`	Train an image category classifier

딥러닝 기반 객체 검출기 훈련

`trainRCNNObjectDetector`	Train an R-CNN deep learning object detector
`trainFastRCNNObjectDetector`	Train a Fast R-CNN deep learning object detector
`trainFasterRCNNObjectDetector`	Train a Faster R-CNN deep learning object detector
`trainSSDObjectDetector`	Train an SSD deep learning object detector
`trainYOLOv2ObjectDetector`	Train YOLO v2 object detector
`trainYOLOv4ObjectDetector`	Train YOLO v4 object detector
`trainMaskRCNN`	Train Mask R-CNN network to perform instance segmentation

딥러닝을 위한 훈련 데이터 증대 및 전처리

`balanceBoxLabels`	Balance bounding box labels for object detection
`bboxcrop`	Crop bounding boxes
`bboxerase`	Remove bounding boxes
`bboxresize`	Resize bounding boxes
`bboxwarp`	Apply geometric transformation to bounding boxes
`bbox2points`	Convert rectangle to corner points list
`imwarp`	영상에 기하 변환 적용
`imcrop`	영상 자르기
`imresize`	이미지 크기 조정
`randomAffine2d`	Create randomized 2-D affine transformation
`centerCropWindow2d`	Create rectangular center cropping window
`randomWindow2d`	Randomly select rectangular region in image
`integralImage`	Calculate 2-D integral image

객체 검출 심층 신경망 설계

R-CNN(Regions With Convolutional Neural Networks)

`rcnnBoxRegressionLayer`	Box regression layer for Fast and Faster R-CNN
`fasterRCNNLayers`	Create a faster R-CNN object detection network
`rpnSoftmaxLayer`	Softmax layer for region proposal network (RPN)
`rpnClassificationLayer`	Classification layer for region proposal networks (RPNs)
`regionProposalLayer`	Region proposal layer for Faster R-CNN
`roiAlignLayer`	Non-quantized ROI pooling layer for Mask-CNN
`roiInputLayer`	ROI input layer for Fast R-CNN
`roiMaxPooling2dLayer`	Neural network layer used to output fixed-size feature maps for rectangular ROIs
`roialign`	Non-quantized ROI pooling of `dlarray` data

YOLO v2(You Only Look Once 버전 2)

`yolov2Layers`	Create YOLO v2 object detection network
`yolov2TransformLayer`	Create transform layer for YOLO v2 object detection network
`yolov2OutputLayer`	Create output layer for YOLO v2 object detection network
`spaceToDepthLayer`	Space to depth layer

중점 손실 계층

`focalLossLayer`	Create focal loss layer using focal loss function
`focalCrossEntropy`	Compute focal cross-entropy loss

SSD(Single Shot Detector)

ssdMergeLayer Create SSD merge layer for object detection

앵커 상자

estimateAnchorBoxes Estimate anchor boxes for deep learning object detectors

검출 결과 시각화

`cuboid2img`	Project cuboids from 3-D world coordinates to 2-D image coordinates
`insertObjectAnnotation`	Annotate truecolor or grayscale image or video stream
`insertObjectMask`	Insert masks in image or video stream
`insertShape`	영상 또는 비디오에 형태 삽입
`showShape`	Display shapes on image, video, or point cloud

검출 결과 평가

`evaluateDetectionAOS`	Evaluate average orientation similarity metric for object detection
`evaluateDetectionMissRate`	Evaluate miss rate metric for object detection
`evaluateDetectionPrecision`	Evaluate precision metric for object detection
`bboxOverlapRatio`	Compute bounding box overlap ratio
`bboxPrecisionRecall`	Compute bounding box precision and recall against ground truth
`evaluateInstanceSegmentation`	Evaluate instance segmentation data set against ground truth
`instanceSegmentationMetrics`	Instance segmentation quality metrics

블록

Deep Learning Object Detector

훈련된 딥러닝 객체 검출기를 사용하여 객체 검출

도움말 항목

시작하기

Getting Started with Object Detection Using Deep Learning
Object detection using deep learning neural networks.
Point Feature Types
Choose functions that return and accept points objects for several types of features.
Coordinate Systems
Specify pixel Indices, spatial coordinates, and 3-D coordinate systems
Local Feature Detection and Extraction
Learn the benefits and applications of local feature detection and extraction.
Image Classification with Bag of Visual Words
Use the Computer Vision Toolbox™ functions for image category classification by creating a bag of visual words.
Get Started with Cascade Object Detector
Train a custom classifier
Choose Function to Visualize Detected Objects
Compare visualization functions.

객체 검출 및 의미론적 분할을 위해 데이터 훈련시키기

Get Started with the Image Labeler
Interactively label rectangular ROIs for object detection, pixels for semantic segmentation, polygons for instance segmentation, and scenes for image classification.
Get Started with the Video Labeler
Interactively label rectangular ROIs for object detection, pixels for semantic segmentation, polygons for instance segmentation, and scenes for image classification in a video or image sequence.
Datastores for Deep Learning (Deep Learning Toolbox)
Learn how to use datastores in deep learning applications.
Getting Started with Mask R-CNN for Instance Segmentation
Perform multiclass instance segmentation using Mask R-CNN and deep learning.
Training Data for Object Detection and Semantic Segmentation
Create training data for object detection or semantic segmentation using the Image Labeler or Video Labeler.

딥러닝 시작하기

심층 신경망 디자이너 (Deep Learning Toolbox)
딥러닝 계층 목록 (Deep Learning Toolbox)
MATLAB^®에서 제공하는 딥러닝 계층에 대해 알아봅니다.
MATLAB의 딥러닝 (Deep Learning Toolbox)
사전 훈련된 신경망 및 전이 학습, 그리고 GPU, CPU, 클러스터 및 클라우드에서의 훈련 등 분류 및 회귀에 컨벌루션 신경망을 사용하여 MATLAB의 딥러닝 기능을 알아봅니다.
사전 훈련된 심층 신경망 (Deep Learning Toolbox)
분류, 전이 학습 및 특징 추출을 위해 사전 훈련된 컨벌루션 신경망을 다운로드하고 사용하는 방법을 알아봅니다.