Exponenta Banner
exponenta event banner

Обработка изображений с помощью глубокого обучения

Расширение рабочих процессов глубокого обучения с помощью приложений для обработки изображений

Применение глубокого обучения к приложениям обработки изображений с помощью Deep Learning Toolbox™ вместе с Toolbox™ обработки изображений.

Функции

augmentedImageDatastoreПреобразование пакетов для увеличения данных изображения
randomPatchExtractionDatastoreХранилище данных для извлечения случайных 2-D или 3-D случайных исправлений из изображений или изображений меток пикселей
blockedImageDatastoreХранилище данных для использования с блоками из blockedImage объекты

Темы

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.

Добавление изображений для процессов глубокого обучения с помощью инструментария обработки изображений

В этом примере показано, как MATLAB ® и Toolbox™ обработки изображений могут выполнять общие виды увеличения изображения в рамках процессов 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.

Начало работы с GAN для преобразования изображений в изображения (панель инструментов обработки изображений)

Сети GAN могут передавать стили и характеристики из одного набора изображений в содержимое сцены других изображений.

Характерные примеры

Single Image Super-Resolution Using Deep Learning

Суперразрешение одного изображения с помощью глубокого обучения

Оценка изображения с высоким разрешением по изображению с низким разрешением с использованием нейронной сети с очень глубоким сверхразрешением (VDSR).

Открыть сценарий в реальном времени
JPEG Image Deblocking Using Deep Learning

Устранение блочности изображения JPEG с помощью глубокого обучения

Обучить деноизирующую сверточную нейронную сеть (DnCNN), затем использовать сеть для уменьшения артефактов сжатия JPEG в изображении.

Открыть сценарий в реальном времени
Image Processing Operator Approximation Using Deep Learning

Аппроксимация оператора обработки изображений с помощью глубокого обучения

Аппроксимация операции фильтрации изображения с использованием многомасштабной сети агрегирования контекста (CAN).

Открыть сценарий в реальном времени
Develop Raw Camera Processing Pipeline Using Deep Learning

Разработка конвейера обработки необработанных камер с использованием глубокого обучения

Преобразование необработанных данных камеры в эстетически приятное цветное изображение с помощью U-Net.

Открыть сценарий в реальном времени
Unsupervised Day-To-Dusk Image Translation Using UNIT

Перевод изображений без присмотра в сумерках с помощью UNIT

Выполнение трансляции домена между изображениями, полученными в дневное время, и в сумерках с использованием неконтролируемой сети преобразования изображения в изображение (UNIT).

Открыть сценарий в реальном времени
Quantify Image Quality Using Neural Image Assessment

Количественное определение качества изображения с помощью оценки нейронного изображения

Анализ эстетического качества изображений с помощью сверточной нейронной сети (CNN) Neural Image Assessment (NIMA).

Открыть сценарий в реальном времени
Classify Large Multiresolution Images Using blockedImage and Deep Learning

Классификация изображений с большим множеством решений с использованием blockedImage и Deep Learning

Классифицируйте изображения всего слайда (WSI) с множественным разрешением, которые не помещаются в память, с помощью Inception-v3 глубокой нейронной сети.

Открыть сценарий в реальном времени
Semantic Segmentation of Multispectral Images Using Deep Learning

Семантическая сегментация мультиспектральных изображений с использованием глубокого обучения

Выполнение семантической сегментации многоспектрального изображения с помощью семи каналов с помощью U-Net.

Открыть сценарий в реальном времени
3-D Brain Tumor Segmentation Using Deep Learning

3-D Сегментация опухолей головного мозга с использованием глубокого обучения

Обучите нейронную сеть 3-D U-Net и выполните семантическую сегментацию опухолей головного мозга из 3-D медицинских изображений.

Открыть сценарий в реальном времени
Remove Noise from Color Image Using Pretrained Neural Network

Удаление шума из цветного изображения с помощью предварительно обученной нейронной сети

Удаление гауссова шума из изображения RGB. Разбейте изображение на отдельные цветовые каналы, затем оскверните каждый канал с помощью предварительно обученной деноизирующей нейронной сети DnCNN.

Открыть сценарий в реальном времени
Neural Style Transfer Using Deep Learning

Перенос нейронного стиля с помощью глубокого обучения

Примените стилистический внешний вид одного изображения к содержимому сцены второго изображения с помощью предварительно подготовленной VGG-19 сети [1].

Открыть сценарий в реальном времени
Train Fast Style Transfer Network

Сеть быстрой передачи стилей поездов

Обучение сети переносу стиля изображения на второе изображение. Он основан на архитектуре, определенной в [1].

Открыть сценарий в реальном времени

Документация по инструментам для глубокого обучения

Поддержка