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 Labeler	Пометьте изображения для приложений компьютерного зрения
Video Labeler	Пометьте видео для приложений компьютерного зрения

Функции

развернуть все

Загрузите обучающие данные

`combine`	Объедините данные от нескольких datastores
`countEachLabel`	Считайте вхождение меток поля или пикселя
`groundTruth`	Данные о метке основной истины
`imageDatastore`	Datastore для данных изображения
`pixelLabelImageDatastore`	Datastore для сетей семантической сегментации
`pixelLabelDatastore`	Datastore для данных о пиксельных метках
`pixelLabelTrainingData`	Создание обучающих данных для семантической сегментации из исходной истины

Увеличьте и предварительно обработайте обучающие данные

`balancePixelLabels`	Сбалансируйте пиксельные метки путем сверхдискретизации местоположений блока в больших изображениях
`imwarp`	Примените геометрическое преобразование изображения
`imcrop`	Обрежьте изображение
`imresize`	Измените размер изображения
`transform`	Преобразуйте datastore
`randomAffine2d`	Создайте рандомизированное 2D аффинное преобразование
`centerCropWindow2d`	Создайте прямоугольное окно обрезки центра
`randomCropWindow2d`	Создайте рандомизированное прямоугольное окно обрезки

Спроектируйте нейронные сети для глубокого обучения Семантической Сегментации

`deeplabv3plusLayers`	Создайте DeepLab v3 + сверточная нейронная сеть для семантической сегментации изображений
`dicePixelClassificationLayer`	Создайте слой классификации пикселей с помощью, обобщил Dice Loss для семантической сегментации
`fcnLayers`	Создайте полностью сверточные слоя сети для семантической сегментации
`pixelClassificationLayer`	Создайте слой классификации пикселей для семантической сегментации
`segnetLayers`	Создайте слои SegNet для семантической сегментации
`unetLayers`	Создайте слои U-Net для семантической сегментации
`unet3dLayers`	Создайте 3-D слои U-Net для семантической сегментации объемных изображений
`focalCrossEntropy`	Вычислите фокальную потерю перекрестной энтропии

Изображения сегмента Используя глубокое обучение

semanticseg Семантическая сегментация изображений с помощью глубокого обучения

Визуализируйте сегментацию

`labeloverlay`	Наложите матричные области метки на 2D изображении
`labelvolshow`	Отобразите помеченный объем
`insertObjectMask`	Вставьте маски в изображение или видеопоток

Оцените результаты сегментации

`evaluateSemanticSegmentation`	Оцените набор данных семантической сегментации против основной истины
`bfscore`	Очертите соответствие со счетом к сегментации изображений
`dice`	Коэффициент подобия Sørensen-Dice для сегментации изображений
`jaccard`	Коэффициент подобия Jaccard для сегментации изображений
`segmentationConfusionMatrix`	Матрица беспорядка пиксельного уровня мультикласса отображает сегментацию
`semanticSegmentationMetrics`	Метрики качества семантической сегментации

Темы

Запуск

Маркировка Пикселей для Семантической Сегментации

Пометьте пиксели для того, чтобы обучить сеть семантической сегментации при помощи приложения для маркировки.

Как магазин приложений этикетировочной машины экспортируемые пиксельные метки

Узнать, как приложения для маркировки хранят данные о пиксельных метках.

Выберите Function to Visualize Detected Objects

Сравните функции визуализации.

Начало работы с Семантической Сегментацией Используя глубокое обучение

Сегментация объектов по классам с использованием глубокого обучения

Начало работы с облаками точек Используя глубокое обучение

Изучите, как использовать облака точек для глубокого обучения.

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 или Video Labeler.

Рекомендуемые примеры

Semantic Segmentation Using Dilated Convolutions

Семантическая Сегментация с Использованием Расширенных Сверток

Семантическая Сегментация с Использованием Расширенных Сверток.

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