使用深度学习的计算机视觉
用计算机视觉应用扩展深度学习工作流程
通过使用深度学习工具箱™和计算机视觉工具箱™,将深度学习应用于计算机视觉应用。
Funzioni
Argomenti
对象检测
- 开始使用深度学习进行对象检测(计算机视觉工具箱)
利用深度学习神经网络进行目标检测。 - 增强对象检测的包围框
这个例子展示了如何执行常见类型的图像和边界框增强作为对象检测工作流程的一部分。 - 训练对象检测器使用R-CNN深度学习
这个例子展示了如何使用深度学习和R-CNN(卷积神经网络区域)训练一个目标检测器。 - 导入预训练的ONNX YOLO v2对象检测器
这个例子展示了如何导入预先训练好的ONNX™(开放神经网络交换)你只看一次(YOLO) v2[1]对象检测网络并使用它来检测对象。 - 导出YOLO v2对象检测器到ONNX
这个例子展示了如何将YOLO v2对象检测网络导出为ONNX™(开放神经网络交换)模型格式。
语义分割
- 开始使用深度学习进行语义分割(计算机视觉工具箱)
使用深度学习按类分割对象。 - 在深度网络设计器中训练简单的语义分割网络
这个例子展示了如何使用Deep network Designer创建和训练一个简单的语义分割网络。 - 增强像素标签的语义分割
这个例子展示了如何执行常见类型的图像和像素标签增强作为语义分割工作流程的一部分。 - 使用扩张卷积的语义分割
使用扩张卷积训练语义分割网络。 - 基于深度学习的多光谱图像语义分割
本例展示了如何使用U-Net对具有七个通道的多光谱图像进行语义分割。 - 基于深度学习的三维脑肿瘤分割
这个例子展示了如何训练一个三维U-Net神经网络,并从三维医学图像中执行脑肿瘤的语义分割。 - 定义具有特沃斯基损失的自定义像素分类层
这个例子展示了如何定义和创建一个使用Tversky损失的自定义像素分类层。 - 使用Grad-CAM探索语义分割网络
这个例子展示了如何使用Grad-CAM探索语义分割网络的预测。 - 生成用于语义分割的对抗示例(计算机视觉工具箱)
使用基本迭代方法(BIM)为语义分割网络生成对抗示例。
视频分类
- 基于深度学习的视频和光流数据活动识别
这个例子首先展示了如何使用预训练的膨胀3-D (I3D)双流卷积神经网络视频分类器执行活动识别,然后展示了如何使用迁移学习来训练这样一个视频分类器,使用RGB和视频[1]的光流数据。 - 使用视频和深度学习的手势识别
使用预训练的慢速视频分类器执行手势识别。