Exponenta Banner

Семантическая Сегментация

Семантическая сегментация изображений

Семантическая сегментация сопоставляет каждый пиксель изображения с меткой класса, такой как цветок, человек, дорога, небо или автомобиль. Используйте Image Labeler и приложения Video Labeler, чтобы интерактивно помечать пиксели и экспортировать данные о метке для того, чтобы обучить нейронную сеть.

Приложения

Image LabelerПометьте изображения для приложений компьютерного зрения
Video LabelerПометьте видео для приложений компьютерного зрения

Функции

развернуть все

combineОбъедините данные от нескольких datastores
countEachLabelСчитайте вхождение меток поля или пикселя
groundTruthОбъект для хранения меток основной истины
imageDatastoreDatastore для данных изображения
pixelLabelImageDatastoreDatastore для сетей семантической сегментации
pixelLabelDatastoreDatastore для данных о пиксельных метках
pixelLabelTrainingDataСоздание обучающих данных для семантической сегментации из исходной истины
imwarpПримените геометрическое преобразование изображения
imcropОбрежьте изображение
imresizeИзмените размер изображения
transformПреобразуйте datastore
randomAffine2dСоздайте рандомизированное 2D аффинное преобразование
centerCropWindow2dСоздайте прямоугольное окно обрезки центра
randomCropWindow2dСоздайте рандомизированное прямоугольное окно обрезки
deeplabv3plusLayersСоздайте DeepLab v3 + сверточная нейронная сеть для семантической сегментации изображений
dicePixelClassificationLayerСоздайте слой классификации пикселей с помощью обобщенной потери Dice в семантической сегментации
fcnLayersСоздайте полностью сверточные сетевые слои для семантической сегментации
pixelClassificationLayerСоздайте слой классификации пикселей для семантической сегментации
segnetLayersСоздайте слои SegNet для семантической сегментации
unetLayersСоздайте слои U-Net для семантической сегментации
unet3dLayersСоздайте 3-D слои U-Net для семантической сегментации объемных изображений
semanticsegСемантическая сегментация изображений с помощью глубокого обучения
labeloverlayНаложите матричные области метки на 2D изображении
labelvolshowОтобразите помеченный объем
evaluateSemanticSegmentationОцените набор данных семантической сегментации против основной истины
bfscoreОчертите соответствие со счетом к сегментации изображений
diceКоэффициент подобия Sørensen-Dice для сегментации изображений
jaccardКоэффициент подобия Jaccard для сегментации изображений
semanticSegmentationMetricsМетрики качества семантической сегментации

Темы

Запуск

Начало работы с Семантической Сегментацией Используя глубокое обучение

Сегментация объектов по классам с использованием глубокого обучения

Маркировка Пикселей для Семантической Сегментации

Пометьте пиксели для семантической сегментации с помощью Image Labeler, Video Labeler или приложения Ground Truth Labeler.

Как магазин приложений этикетировочной машины экспортируемые пиксельные метки

Поймите как данные о пиксельных метках магазина приложений этикетировочной машины

Создайте обучающие данные для Семантической Сегментации

Хранилища данных для глубокого обучения (Deep Learning Toolbox)

Узнать, как использовать хранилища данных в применении глубокого обучения.

Обучающие данные для обнаружения объектов и Семантической Сегментации

Создайте обучающие данные для обнаружения объектов или семантической сегментации с помощью Image Labeler, Video Labeler или Ground Truth Labeler.

Рекомендуемые примеры

Semantic Segmentation Using Dilated Convolutions

Семантическая Сегментация Используя расширенные свертки

Семантическая Сегментация Используя расширенные свертки.

Скрипт Open Live Script
Semantic Segmentation of Multispectral Images Using Deep Learning

Семантическая Сегментация многоспектральных изображений Используя глубокое обучение

Обучите сверточную нейронную сеть U-Net выполнять семантическую сегментацию многоспектрального изображения с семью каналами: три цветовых канала, три почти инфракрасных канала и маска.

Скрипт Open Live Script
3-D Brain Tumor Segmentation Using Deep Learning

3-D сегментация опухоли головного мозга Используя глубокое обучение

Обучите 3-D нейронную сеть U-Net и выполните семантическую сегментацию опухолей головного мозга от 3-D медицинских изображений. Пример показывает, как обучить 3-D сеть U-Net и также обеспечивает предварительно обученную сеть. Использование CUDA-способного графического процессора NVIDIA™ с вычисляет возможность 3.0, или выше настоятельно рекомендован для 3-D семантической сегментации (требует Parallel Computing Toolbox™).

Скрипт Open Live Script
Define Custom Pixel Classification Layer with Dice Loss

Задайте пользовательский слой классификации пикселей с потерей Dice

Задайте пользовательский слой классификации пикселей с потерей Dice.

Скрипт Open Live Script
Документация Computer Vision Toolbox
Поддержка