Предварительная обработка данных является обычным первым шагом в рабочем процессе глубокого обучения для подготовки необработанных данных в формате, который может быть принят сетью. Например, можно изменить размер вводимого изображения в соответствии с размером слоя ввода изображения. Можно также выполнить предварительную обработку данных для улучшения требуемых функций или уменьшения количества артефактов, которые могут привести к смещению сети. Например, можно нормализовать или удалить шум из входных данных.
Для предварительной обработки ввода изображения можно выполнить такие операции, как изменение размера, используя хранилища данных и функции, доступные в MATLAB ® и Deep Learning Toolbox™. Другие панели инструментов MATLAB предлагают функции, хранилища данных и приложения для маркировки, обработки и расширения данных глубокого обучения. Для обработки данных в таких областях, как обработка изображений, обнаружение объектов, семантическая сегментация, обработка сигналов, обработка звука и анализ текста, используются специализированные инструменты из других панелей инструментов MATLAB.
| Маркировщик изображений | Изображения наклеек для приложений компьютерного зрения |
| Этикетировщик видео | Наклейка видео для приложений компьютерного зрения |
| Маркировщик истины | Маркировка исходных данных для автоматизированных приложений вождения |
| Лидар Лабелер | Маркировка данных истинности земли в облаках лидарных точек |
| Маркировщик сигналов | Метки атрибутов сигнала, областей и точек интереса |
| Аудиомаркировщик | Определение и визуализация меток «земля-истина» |
Наборы данных для глубокого обучения
Обнаружение наборов данных для различных задач глубокого обучения.
Создание и изучение хранилища данных для классификации изображений
В этом примере показано, как создавать, читать и дополнять хранилище данных изображений для использования при обучении сети глубокого обучения.
Предварительная обработка изображений для глубокого обучения
Узнайте, как изменять размер изображений для обучения, прогнозирования и классификации, а также как выполнять предварительную обработку изображений с помощью увеличения объема данных, преобразований и специализированных хранилищ данных.
Тома предварительной обработки для глубокого обучения
Считывание и предварительная обработка объемного изображения и данных этикеток для 3-D глубокого обучения.
Предварительная обработка данных для доменных приложений глубокого обучения
Выполнение детерминированной или рандомизированной обработки данных для таких областей, как обработка изображений, обнаружение объектов, семантическая сегментация, обработка сигнала и звука и анализ текста.
Пиксели меток для семантической сегментации (панель инструментов компьютерного зрения)
Маркировка пикселей для обучения сети семантической сегментации с помощью приложения для маркировки.
Приступайте к работе с маркером «Истина на земле» (Automated Driving Toolbox)
Интерактивная маркировка нескольких лидарных и видеосигналов одновременно.
Пользовательские функции маркировки (панель инструментов обработки сигналов)
Создание пользовательских функций маркировки и управление ими.
Наклейка звука с помощью звукового этикетировщика (панель инструментов аудио)
Интерактивное определение и визуализация меток «земля-истина» для наборов аудиоданных.
Хранилища данных для глубокого обучения
Узнайте, как использовать хранилища данных в приложениях для глубокого обучения.
Подготовка хранилища данных для регрессии между изображениями
В этом примере показано, как подготовить хранилище данных для обучения сети регрессии «изображение-изображение» с использованием transform и combine функции ImageDatastore.
Обучение сети с использованием данных последовательности, не соответствующей памяти
В этом примере показано, как обучить сеть глубокого обучения данным последовательности без памяти путем преобразования и объединения хранилищ данных.
Классификация текстовых данных с использованием сверточной нейронной сети
В этом примере показано, как классифицировать текстовые данные с помощью сверточной нейронной сети.
Классификация недостающих данных текста с помощью глубокого обучения
В этом примере показано, как классифицировать текстовые данные из памяти с помощью сети глубокого обучения с использованием преобразованного хранилища данных.