目次
1. アルゴリズム操作レンダリングのプレビュー
2.アルゴリズム実行ソフトウェアバージョン
マットラボ2022a
3. いくつかのコアプログラム
file_path1 = 'test\mask\';% 图像文件夹路径
%获取测试图像文件夹下所有jpg格式的图像文件
img_path_list = dir(strcat(file_path1,'*.png'));
idx=0;%初始化索引
for i = 1:20%对每张测试图像进行预测并可视化
idx = idx+1; %索引+1
II = imread([file_path1,img_path_list(i).name]);%读取测试图像
II = imresize(II,[227 227]);%将测试图像大小缩放为预训练模型的输入大小
Features = activations(net,II,featureLayer,'OutputAs','rows'); %提取测试图像的特征
II2 = predict(classifier,Features);%使用分类器对测试图像进行分类
subplot(4,10,idx) %在第一行的左侧位置显示测试图像和分类结果
disp(char(II2));%输出测试图像的分类结果
imshow(II); %显示测试图像
title(char(II2));%显示测试图像的分类结果
end
file_path1 = 'test\no mask\';% 图像文件夹路径
img_path_list = dir(strcat(file_path1,'*.png'));%获取测试图像文件夹下所有jpg格式的图像文件
for i = 1:20%对每张测试图像进行预测并可视化
idx = idx+1;%索引+1
II = imread([file_path1,img_path_list(i).name]); %读取测试图像
II = imresize(II,[227 227]);%将测试图像大小缩放为预训练模型的输入大小
Features = activations(net,II,featureLayer,'OutputAs','rows');%提取测试图像的特征
II2 = predict(classifier,Features); %使用分类器对测试图像进行分类
subplot(4,10,idx)%在第一行的右侧位置显示测试图像和分类结果
disp(char(II2)); %输出测试图像的分类结果
imshow(II);%显示测试图像
title(char(II2));%显示测试图像的分类结果
end
59 4. アルゴリズム理論の概要
人物マスク認識アルゴリズムは、深層学習に基づいた画像分類問題です。この問題では、画像内で人物がマスクを着用しているかどうかを検出して識別する必要があります。この問題を解決するには、画像認識タスクで広く使用されている深層学習ネットワークである AlexNet モデルを使用できます。
アレックスネットモデル
AlexNet は、共有層とタスク固有層の 2 つの部分で構成される深層学習ネットワークです。共有層には、5 つの畳み込み層 (conv1 ～ conv5) と 3 つの全結合層 (fc6、fc7、fc8) が含まれます。タスク固有のレイヤーには、分類用のソフトマックス レイヤー (fc8) と位置回帰用の fc6-fc7-fc8 レイヤーが含まれます。AlexNet は、活性化関数として ReLU、過学習を防ぐためにドロップアウト、モデルの汎化能力を強化するために L2 正則化を使用します。
職員マスク認識アルゴリズム
AlexNet モデルを人物マスク認識のタスクに適用できます。まず、マスクを着用している人とマスクを着用していない人の画像を含むデータセットを収集する必要があります。次に、AlexNet モデルを使用して画像のトレーニングとテストを行います。
トレーニング段階では、入力画像と対応するラベル (マスクされているかどうかにかかわらず) を AlexNet モデルにフィードします。モデルの出力は、画像がマスクを着用しているかどうかの確率を表す確率値です。クロスエントロピー損失関数と確率的勾配降下法 (SGD) オプティマイザーを使用してモデル パラメーターを更新し、予測値と実際の値の差を最小限に抑えます。
テスト段階では、入力画像をトレーニング済みの AlexNet モデルにフィードし、予測結果を出力します。予測結果が一定の閾値より大きければマスクを着用していると判定し、そうでない場合はマスクを着用していないと判定する。
以下は、AlexNet モデルの核となる式の一部です。
- 畳み込み層の出力サイズの計算式は次のとおりです: O=(I−F+2P)/S+1、ここで I は入力サイズ、F は畳み込みカーネル サイズ、P はパディング サイズ、S はステップですサイズ。
- ReLU 活性化関数の公式: f(x)=max(0,x)。
- クロスエントロピー損失関数の式: L=−∑i=1N yi log(yi ^ )+(1－yi )log(1－yi ^ )、N はサンプル数、 y は真のラベル、y^ は予測されたラベルです。
- SGD オプティマイザーの式: θ=θ−η∇L(θ)、ここで、θ はパラメーター、η は学習率、∇L(θ) は損失関数の勾配です。
深層学習モデルは、入力から出力までのマッピング関係を学習することによって機能します。このプロセスでは、モデルはいくつかの有用な特徴表現を学習し、入力データのプロパティをよりよく理解して予測できるようになります。人物マスク認識タスクでは、AlexNet モデルは、画像からマスクを着用しているかどうかの確率へのマッピング関係を学習することで、人物がマスクを着用しているかどうかを正確に識別できます。
5. アルゴリズム完全プログラムエンジニアリング
おおおお
ああ
○