MatConvNet 使用VGG网络模型对图像做分类处理
2017-11-10 20:33
579 查看
使用已经训练好的VGG网络模型直接对图像做分类处理。
示例如下:
结果展示:
示例如下:
%下载一个训练好了的模型 urlwrite('http://www.vlfeat.org/matconvnet/models/imagenet-vgg-f.mat','imagenet-vgg-f.mat'); %下载并存储文件,前一个引号为目标文件地址,后一个引号为本地地址(216MB)。 %将模型加载到工作区 net = load('imagenet-vgg-f.mat'); %读入并预处理一幅图像 im = imread('peppers.png'); %读入matlab自带图像 im_ = imresize(single(im), net.meta.normalization.imageSize(1:2)); %转换图像的数据类型,规范化输入图像的宽高 im_ = im_ - net.meta.normalization.averageImage; %将输入图像减去模型均值 %运行CNN res = vl_simplenn(net, im_); %返回一个res结构的输出网络层 %展示分类结果 scores = squeeze(gather(res(end).x)); %得到图像属于各个分类的概率 [bestScore, best] = max(scores); %得到最大概率值,及其索引值 figure(1) ; clf ; imagesc(im); %显示图像 title(sprintf('%s (%d), score %.3f',net.meta.classes.description{best}, best, bestScore)); %添加标题——"种类(第几类),所属该类的概率"
结果展示:
相关文章推荐
- 基于深度学习的人脸识别系统系列(Caffe+OpenCV+Dlib)——【三】使用Caffe的MemoryData层与VGG网络模型提取Mat的特征
- [caffe]深度学习之图像分类模型VGG解读
- 图像风格转移中神经网络模型的使用
- 使用Caffe训练适合自己样本集的AlexNet网络模型,并对其进行分类
- 使用单线程对文本分类的朴素贝叶斯模型的超参数组合执行网络搜索
- 使用 全连接神经网络 和 词袋模型 进行文本分类的example
- [caffe]深度学习之图像分类模型VGG解读
- 使用sklearn中的神经网络模块MLPClassifier处理分类问题
- 《炼数成金》第八课 保存和载入模型,使用Google的图像识别网络inception-v3进行图像识别。
- 使用少量数据构建强大图像分类模型
- 《炼数成金》第八课 保存和载入模型,使用Google的图像识别网络inception-v3进行图像识别
- [caffe]深度学习之图像分类模型VGG解读
- 使用caffe fine-tune一个单标签图像分类模型
- 使用tf-slim的inception_resnet_v2预训练模型进行图像分类
- 基于深度学习的人脸识别系统系列(Caffe+OpenCV+Dlib)——【三】使用Caffe的MemoryData层与VGG网络模型提取Mat的特征
- 使用预训练模型对图像进行分类
- 基于caffe的图像分类(3)——修改网络并训练模型
- 使用tf-slim的ResNet V1 152和ResNet V2 152预训练模型进行图像分类
- 使用词袋模型对图像进行分类
- 使用keras预训练VGG16模型参数分类图像并提取特征