资源下载与技术交流
本文所展示的自动驾驶中的移动目标提取与跟踪技术，全过程的代码以及相应的数据资源，详见下方链接。
- 链接：https://pan.baidu.com/s/1Y_d5qb91bD-ZHXqRbBVN0g
- 提取码：pv2x
相关联的，技术讨论，详见下方链接。
若谷：自动驾驶行业交流群及公约zhuanlan.zhihu.com
本篇技术报告，以自动驾驶中的车辆识别为例说明。各个步骤的主要操作以及相关代码，配合描述。
整个项目的最新版 源代码和技术交流，请Email联系博主: 380545156[at]qq[dot]com.
文本简介
从影像中自动提取目标，并进行稳定跟踪，是自动驾驶感知系统的重要目标。本技术博文，介绍了基于卷积神经网络技术（CNN）的车辆图像目标识别的全过程，包括：
- l 数据准备与数据标注；
- l 数据训练与感知模型；
- l 仿真与测试；
- l 模型系统与部署；
主要收获
- 基于CNN卷积神经网络的深度学习，对图像进行目标识别的全过程；
主要参考本文的全体结构；
- CNN卷积神经网络的大多数工具、函数和命令。
主要参考本文所附带的代码，带有详细注释。
- CNN深度学习的工程技术开发效率
工程技术在乎方法的稳定可靠和使用效率。CNN深度学习开发的代码，也撰写了将近6000行，技术在累积，方法也在优化。详见第五部分。欢迎补充。
- 学习CNN深度学习方法的信心
尽管自认有比较好的数学和建模基础，但是没有出现合理的工程结果，都是很难服众的。
有了这几个神经网络应用案例，对于更大规模的CNN深度学习，有更强劲的信心。
任务目标
如图所示，从包含车辆的图片中，标识车辆的位置
▌一、数据准备与数据标注
Data Pre-processing for Deep Learning
数据标注的方法详见另外一篇博文。
在本案例中，同一个数据集，用60%的影像数据，用于训练，10%用于验证，剩余30%，用于测试。
%% R_CNN_withData
▌二、数据训练与感知模型
Design and Train a YOLOv2 Network in MATLAB
%% Create Faster R-CNN Detection Network
创建目标检测网络的几种方法
- R-CNN
- fast-RCNNLayers
- faster-RCNNLayers
- SSD (Single Shot MultiBox Defender)
- labelImg
- yolov2Layers YOLO (You Only Look Once)
- yolov3Layers YOLO V3
本文采用的是ResNet-50 模型。
%% 使用 resnet50， 加载预训练的 ResNet-50 模型
featureExtractionNetwork = resnet50% 选择 'activation_40_relu' 作为特征提取层，以将 'activation_40_relu' 后面的层替换为检测子网络。
% 此特征提取层输出以 16 为因子的下采样特征图。
% 该下采样量是空间分辨率和提取特征强度之间一个很好的折中，因为在网络更深层提取的特征能够对更强的图像特征进行编码，但以空间分辨率为代价。
% 选择最佳特征提取层需要依靠经验分析。
featureLayer = 'activation_40_relu' % Select 'activation_40_relu' as the feature extraction layer.
numClasses = width(vehicleDataset)-1 % Define the number of classes to detect. % 创建 fasterRCNN目标检测网络
lgraph = fasterRCNNLayers(inputSize,numClasses,anchorBoxes,featureExtractionNetwork,featureLayer)其他几个NN模型，可以参考：
若谷：深度学习中的几种开源神经网络模型zhuanlan.zhihu.com
▌三、仿真模型与测试
Import Pre-trained Deep Learning Networks into MATLAB
%% Data Augmentation
▌四、模型系统运行部署与移植
运行过程中，因为要训练模型，非常耗时。当然，如果你的电脑非常好使，速度会快很多。
options 五、提升工程技术开发效率
- 时间分配
由于深度学习的开发中，往往计算过程耗时较大，时间统计不可谓不重要；
因此，在开发过程中，设置一些时间统计，有助于分配开发调试中的工作安排；
%% Time comsuption
- 过程数据输出多，增加屏幕
过程数据较多，往往IDE无法显示过往的log数据。因此，将产生的log数据，实时记录并保存，有助于提升调试效率。
diary是matlab中的日志工具，可以将Command Window 中的内容保存到文件中去。使用方法：
在命令行中输出：
diary 对应的的文件将会保存在path路径下的yourlogfile.txt文件里。
同时，可以使用：
diary off,diary on命令来关闭、打开日志。
%% Time comsuption and 数据日记