主要内容

deeplabv3pluslayers.

为语义图像分割创建Deeplab V3 +卷积神经网络

页面上倒塌

句法

LayerGraph = deeplabv3pluslayers（图像化，numcrasses，网络）
daysgraph = deeplabv3pluslayers（___，'downsamplingfactor'，价值）

描述

例子

分层图= deeplabv3pluslayers（图片尺寸那numclasses.那网络）使用指定的基本网络，类和图像大小返回Deeplab V3 +层。

分层图= deeplabv3pluslayers（___，'downsamplingfactor'，价值）另外设置下采样因子（输出步幅）[1]到任一8.要么16.。下采样因子设置Deeplav V3 + Downsples的编码器部分的量。

例子

全部收缩

此示例使用：

打开直播脚本

基于Reset-18创建Deeplab V3 +网络。

图像= [480 640 3];numclasses = 5;网络='resnet18';Lgraph = deeplabv3pluslayers（图像化，numcrasses，网络，......'downsamplingfactor'，16）;

显示网络。

分析（LGROPH）

此示例使用：

打开直播脚本

使用图像数据存储加载三角数据集图像。数据存储区包含200个随机三角形的灰度图像。每个图像都是32×32。

datasetdir = fullfile（toolboxdir（'想象'），'VisionData'那'triangleimages'）;imagedir = fullfile（datasetdir，'培训码'）;IMDS = IMAGEDATASTORE（IMAGEDIR）;

使用像素标签数据存储加载三角数据集像素标签。

labeldir = fullfile（datasetdir，'训练标签'）;ClassNames = [“三角形”那“背景”];labelids = [255 0];pxds = pixellabeldataStore（Labeldir，ClassNames，LabelIds）;

创建DEEPLAB V3 +网络。

图像= [256 256];numclasses = numel（classnames）;Lgraph = deeplabv3pluslayers（图像化，numcrasses，'resnet18'）;

组合图像和像素标签数据进行培训。将图像输出大小设置为网络的输入大小，以在培训期间自动调整图像大小。

pximds = pixellabelimagedataStore（IMDS，PXD，'输出'，图片尺寸，......'ColorPrepessing'那'gray2rgb'）;

指定培训选项。降低迷你批量尺寸以减少内存使用情况。

选择=培训选项（'sgdm'那......'minibatchsize'，8，......'maxepochs'，3）;

训练网络。

net = trainnetwork（pximds，lggraph，opts）;
单CPU培训。| ========================================================================================|时代|迭代|经过时间的时间迷你批量|迷你批量|基础学习|| | | (hh:mm:ss) | Accuracy | Loss | Rate | |========================================================================================| | 1 | 1 | 00:00:08 | 57.31% | 0.7145 | 0.0100 | | 2 | 50 | 00:06:05 | 99.23% | 0.0198 | 0.0100 | | 3 | 75 | 00:09:05 | 99.12% | 0.0214 | 0.0100 | |========================================================================================|

读取测试图像。

我= imread（'triangletest.jpg'）;

通过等于输入图像尺寸的因子调节测试图像的大小，使得在训练期间测试图像中的三角形大致等于三角形的大小。

我= imresize（我，'规模'，图像化。/ 32）;

分段图像。

C = SemanticSeg（I，Net）;

显示结果。

B = Labeloverlay（I，C）;图imshow（b）

输入参数

全部收缩

网络输入图像大小，指定为答：

  • 格式的2元素矢量[高度那宽度]。

  • 格式的3个元素矢量[高度那宽度那3.]。第三个元素3对应于RGB。

网络分类的类数量，指定为大于1的整数。

基础网络，指定为resnet18（深度学习工具箱）那resnet50（深度学习工具箱）那MobileNetv2.（深度学习工具箱）那Xcepion.（深度学习工具箱）， 要么InceptionResNetv2.（深度学习工具箱）。您必须安装相应的网络加载项。

输出参数

全部收缩

DEEPLAB V3 +网络，返回作为语义图像分割的卷积神经网络。网络使用编码器解码器架构，扩展卷积和跳过与段图像的连接。你必须使用Trainnetwork.（深度学习工具箱）功能（需要深度学习工具箱™）培训网络，然后才能使用网络进行语义分割。

算法

  • 当你使用的时候Xcepion.（深度学习工具箱）要么MobileNetv2.（深度学习工具箱）基础网络创建DEEPLAB V3 +网络，深度可分离卷积用于ATROUS空间金字塔池（ASPP）和解码器子网。对于所有其他基础网络，使用卷积层。

  • DEEPLAB V3 +的这种实现不包括ASPP中的全局平均池层。

参考

[1] Chen，L.，Y.Zhu，G.Papandreou，F. Schroff和H. Adam。“编码器 - 解码器具有可见的可分离卷积，用于语义图像分割。”计算机愿景 - ECCV 2018，833-851。市，德国：ECCV，2018。

扩展能力

也可以看看

对象

功能

话题

在R2019B中介绍

计算机视觉工具箱文档

金宝app

与Matlab引入深度学习

与Matlab引入深度学习

下载电子书