Начало работы с Семантической Сегментацией Используя глубокое обучение

Сегментация важна для задач анализа изображения. Semantic segmentation описывает процесс соединения каждого пикселя изображения с меткой класса, (такой как цветок, человек, дорога, небо, океан или автомобиль).

Приложения для семантической сегментации включают:

Автономное управление автомобилем
Промышленный контроль
Классификация ландшафта, видимого в спутниковых снимках
Медицинский анализ обработки изображений

Обучите сеть Семантической Сегментации

Шаги для того, чтобы обучить сеть семантической сегментации следующие:

1. Анализируйте обучающие данные для Семантической Сегментации

2. Создайте сеть Семантической Сегментации

3. Обучите сеть Семантической Сегментации

4. Оцените и смотрите результаты Семантической Сегментации

Маркировка Обучающих Данных для Семантической Сегментации

Большие наборы данных включают более быстрое и более точное отображение с конкретным входом (или введите аспект). Используя данные увеличение обеспечивает средние значения усиления ограниченных наборов данных для обучения. Незначительные изменения, такие как перевод, обрезка или преобразование изображения обеспечивают новые отличные и уникальные изображения. Смотрите Изображения Приращения для Рабочих процессов Глубокого обучения Используя Image Processing Toolbox (Deep Learning Toolbox)

Можно использовать приложение Image Labeler, чтобы интерактивно помечать пиксели и экспортировать данные о метке для обучения. Приложение может также использоваться, чтобы пометить прямоугольные видимые области (ROIs) и метки сцены для классификации изображений.

Смотрите также

Приложения

Image Labeler

Функции

evaluateSemanticSegmentation | fcnLayers | pixelLabelDatastore | segnetLayers | semanticSegmentationMetrics | semanticseg | unet3dLayers | unetLayers

Документация