用于深度学习的图像数据预处理

开始深入学习图像预处理和增强

使用确定性操作（如标准化或颜色空间转换）预处理数据，或使用随机操作（如随机裁剪或颜色抖动）增加训练数据。

• 用于深度学习的图像预处理
• 深度学习的预处理卷
• 训练分类网络的多分辨率图像预处理

用于深度学习的数据存储（深度学习工具箱）

了解如何在深度学习应用程序中使用数据存储。

为图像到图像的回归准备数据存储（深度学习工具箱）

此示例演示如何使用使改变和结合功能图像数据存储.

使用图像处理工具箱增强图像的深度学习工作流程

此示例显示了MATLAB®和图像处理工具箱的工作原理™ 作为深度学习工作流程的一部分，可以执行常见类型的图像增强。

创建用于图像处理应用的神经网络

去噪神经网络的训练与应用

使用预训练的神经网络从灰度图像中去除高斯噪声，或者使用预定义的层训练您自己的网络。

创建模块化神经网络

您可以创建和自定义深度学习网络，该网络遵循模块化模式，具有重复的层组，如U-Net和cycleGAN。

开始使用GANs进行图像到图像的翻译

GAN网络可以将一组图像的样式和特征转换为其他图像的场景内容。

预训练深度神经网络（深度学习工具箱）

了解如何下载并使用预训练卷积神经网络进行分类、转移学习和特征提取。

深度学习层列表（深度学习工具箱）

在MATLAB中发现所有深度学习层^®.

深入学习MATLAB

MATLAB中的深度学习（深度学习工具箱）

使用卷积神经网络进行分类和回归，包括预训练网络和转移学习，以及GPU、CPU、群集和云上的培训，在MATLAB中发现深度学习能力。

基于深度学习的语义分割（计算机视觉工具箱）

这个例子展示了如何使用深度学习来训练语义分割网络。