深度学习的应用
扩展深度学习工作流程与计算机视觉、图像处理、自动驾驶和信号
扩展深度学习MATLAB的工作流®应用程序包括计算机视觉、图像处理、自动驾驶和信号。例如,你可以训练对象探测器或执行语义分割对图像的每个像素进行分类。
主题
计算机视觉
这个例子展示了如何使用深度语义分割网络训练学习。
这个例子展示了如何训练U-Net卷积神经网络进行多光谱图像的语义分割七个频道:三个颜色通道,三个近红外通道和一个面具。
这个例子展示了如何培养一个语义分割网络使用扩张的隆起。
这个例子显示了如何定义和创建一个自定义像素分类层使用骰子的损失。
这个例子展示了如何使用深度学习和培训对象探测器R-CNN与卷积神经网络(地区)。
这个例子展示了如何使用深学习培训对象探测器技术名为更快R-CNN与卷积神经网络(地区)。
图像处理
这个例子显示了如何删除从RGB图像高斯噪声。
这个例子展示了如何培养一个很深的超分辨率(VDSR)神经网络,然后使用VDSR网络估计高分辨率图像从一个低分辨率的图像。
这个例子展示了如何训练去噪卷积神经网络(DnCNN),然后使用网络来减少图像的JPEG压缩工件。
这个例子展示了如何训练多尺度环境聚合网络(可以)用于近似图像过滤操作。
信号
这个例子展示了如何分类心跳心电图(ECG)数据从生理网2017年挑战使用深度学习和信号处理。
这个例子展示了如何将人类心电图(ECG)信号使用连续小波变换(CWT)和深卷积神经网络(CNN)。
这个例子展示了如何培养一个简单的深度学习模型在音频检测语音命令的存在。
这个例子展示了如何使用深度学习网络的语音信号降噪。
这个例子展示了如何使用深说话者的性别进行分类学习。