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

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 Image Labeler, Video Labeler или Ground Truth Labeler (Automated Driving Toolbox) (доступный в Automated Driving Toolbox™) приложения, 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.

Обучите и протестируйте 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

Объекты сегмента Используя предварительно обученный DeepLabv3 + сеть

MathWorks® Репозиторий GitHub обеспечивает реализации последних предварительно обученных нейронных сетей для глубокого обучения, чтобы загрузить и использовать для выполнения вывода поля.

Чтобы выполнить семантическую сегментацию изображений при помощи DeepLabv3 + нейронная сеть для глубокого обучения, загрузите предварительно обученную модель DeepLabv3 + с Предварительно обученного DeepLabv3 + Сеть Семантической Сегментации репозиторий GitHub. Сеть обучена на наборе данных Pascal VOC и может сегментировать 20 различных классов объектов, которые включают самолет, шину, автомобиль, обучаются, человек и лошадь.

Поскольку список всего последнего MathWorks предварительно обучил модели и примеры, смотрите Глубокое обучение MATLAB (GitHub).

Смотрите также

Приложения

Функции

Объекты

Связанные примеры

Больше о