开始使用深度学习进行语义分割
分割在图像分析任务中是必不可少的。语义分割描述将图像的每个像素与类标签(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
卫星图像中可见的地形分类
医学影像分析
语义分割的标签训练数据
大型数据集可以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数据集进行训练的方法。微小的变化,如翻译、裁剪或转换图像,可以提供新的、独特的图像。看到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,或地面真理标签机(自动驾驶工具箱)(可在自动驾驶工具箱™)应用程序交互式标记像素和导出标签数据用于训练。该应用程序还可以用于标记感兴趣的矩形区域(roi)和用于图像分类的场景标签。
训练和测试一个语义分割网络
训练语义分割网络的步骤如下:
2.创建语义分割网络
分段对象使用预训练DeepLabv3+网络
MathWorks®GitHub存储库提供了最新的预训练深度学习网络的实现,可以下载并用于执行开箱即用的推理。
有关所有最新的MathWorks预训练语义分割模型和示例的列表,请参见MATLAB深度学习(GitHub).
另请参阅
应用程序
功能
semanticseg
|semanticSegmentationMetrics
|evaluateSemanticSegmentation
|pixelLabelDatastore
|segnetLayers
|fcnLayers
|unet3dLayers
|unetLayers
对象
相关的例子
- 增强像素标签的语义分割(深度学习工具箱)
- 导入像素标记数据集用于语义分割
- 使用深度学习的语义分割
- 标记像素用于语义分割
- 定义自定义像素分类层与Tversky损失
- 使用扩展卷积的语义分割
- 在基于块的工作流中计算分割指标
- 使用Grad-CAM探索语义分割网络
更多关于
- MATLAB中的深度学习(深度学习工具箱)