分割是图像分析任务的关键。语义分割描述将图像的每个像素与类标签相关联的过程(例如花,人,路,天空,海洋,或车).
语义分割的应用包括:
自主驾驶
工业检测
卫星图像可见地形分类
医学影像分析
大型数据集能够更快、更准确地映射到特定的输入(或输入方面)。使用数据增强提供了一种利用有限的数据集进行培训的方法。微小的更改,如翻译、裁剪或转换图像,可以提供新的独特的图像。看到使用图像处理工具箱增强图像用于深度学习工作流(深度学习工具箱)
你可以使用图片标志,贴标签机视频,或地面实况贴标签机(自动驾驶工具箱)(可在自动驾驶工具箱™)应用程序,以交互标签像素和导出标签数据的训练。该应用还可以用于标记感兴趣的矩形区域(roi)和图像分类的场景标签。
语义分割网络的训练步骤如下:
MathWorks®GitHub存储库提供了最新的预训练深度学习网络的实现,可下载并用于执行开箱即用的推理。
使用DeepLabv3+深度学习网络对图像进行语义分割,从预先训练的DeepLabv3+语义分割网络GitHub库。该网络在Pascal VOC数据集上进行训练,可以分割20个不同的对象类,包括飞机、公共汽车、汽车、火车、人和马。
有关所有最新的MathWorks预训练模型和示例的列表,请参见MATLAB深度学习(GitHub).
semanticseg
|semanticSegmentationMetrics
|evaluateSemanticSegmentation
|pixelLabelDatastore
|segnetLayers
|fcnLayers
|unet3dLayers
|unetLayers