googlenet
Rete neurale convoluzionale GoogLeNet (non consigliata)
googlenet
non è consigliata. Utilizzare invece la funzione imagePretrainedNetwork
e specificare il modello "googlenet"
. Per ulteriori informazioni, vedere Cronologia della versione.
Descrizione
GoogLeNet è una rete neurale convoluzionale con 22 livelli di profondità. È possibile caricare una versione preaddestrata della rete, addestrata sui set di dati di ImageNet [1] o di Places365 [2] [3]. La rete addestrata su ImageNet classifica le immagini in 1000 categorie di oggetti, come tastiera, mouse, matita e molti animali. La rete addestrata su Places365 è simile alla rete addestrata su ImageNet ma classifica le immagini in 365 diverse categorie di luoghi, come campi, parchi, piste e atri. Queste reti hanno appreso diverse rappresentazioni delle feature per un'ampia gamma di immagini. Le reti preaddestrate hanno entrambe una dimensione di input dell'immagine di 224 per 224. Per ulteriori reti addestrate in MATLAB®, vedere Reti neurali profonde preaddestrate.
restituisce una rete GoogLeNet addestrata sul set di dati di ImageNet.net
= googlenet
Questa funzione richiede il pacchetto di supporto Deep Learning Toolbox™ Model for GoogLeNet Network. Se il pacchetto di supporto non è installato, la funzione fornisce un link per il download.
restituisce una rete GoogLeNet addestrata sul set di dati di ImageNet o di Places365. La sintassi (predefinita) net
= googlenet('Weights',weights
)googlenet('Weights','imagenet')
è equivalente a googlenet
.
La rete addestrata su ImageNet richiede il pacchetto di supporto Deep Learning Toolbox Model for GoogLeNet Network. La rete addestrata su Places365 richiede il pacchetto di supporto Deep Learning Toolbox Model for Places365-GoogLeNet Network. Se il pacchetto di supporto richiesto non è installato, la funzione fornisce un link per il download.
restituisce l’architettura della rete GoogLeNet non addestrata. Il modello non addestrato non richiede il pacchetto di supporto. lgraph
= googlenet('Weights','none'
)
Esempi
Argomenti di input
Argomenti di output
Riferimenti
[1] ImageNet. http://www.image-net.org.
[2] Zhou, Bolei, Aditya Khosla, Agata Lapedriza, Antonio Torralba, and Aude Oliva. "Places: An image database for deep scene understanding." arXiv preprint arXiv:1610.02055 (2016).
[3] Places. http://places2.csail.mit.edu/
[4] Szegedy, Christian, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, and Andrew Rabinovich. "Going deeper with convolutions." In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 1-9. 2015.
[5] BVLC GoogLeNet Model. https://github.com/BVLC/caffe/tree/master/models/bvlc_googlenet
Funzionalità estese
Cronologia versioni
Introdotto in R2017bVedi anche
imagePretrainedNetwork
| dlnetwork
| trainingOptions
| trainnet
| Deep Network Designer