使用Deep Learning Toolbox™与计算机Vision Toolbox™一起使用深度学习到计算机视觉应用程序。
boxlabeldatastore. |
用于边界框标记数据的数据存储 |
PixellabeldAtastore. |
像素标签数据的数据存储 |
PixellabelimagedAtastore. |
语义分段网络的数据存储区 |
使用深度学习开始对象检测(电脑视觉工具箱)
对象检测使用深学习神经网络。
此示例显示如何作为对象检测工作流的一部分执行常见类型的图像和边界框增强。
此示例显示如何使用深度学习和R-CNN(带卷积神经网络的区域)训练对象检测器。
此示例显示了如何导入预折叠的onnx™(开放神经网络交换)您只需看一次(yolo)v2 [1]对象检测网络并使用它来检测对象。
此示例显示如何将YOLO V2对象检测网络导出到ONNX™(开放神经网络交换)模型格式。
使用深度学习开始使用语义分割(电脑视觉工具箱)
使用深度学习按类进行段对象。
此示例显示如何使用深网络设计器创建和培训一个简单的语义分段网络。
此示例显示了如何作为语义分段工作流的一部分执行常见种类的图像和像素标签增强。
使用扩张的卷积列车语义分割网络。
此示例显示如何使用U-Net使用七个通道执行多光谱图像的语义分割。
该示例展示了如何训练3-D U-Net神经网络并从三维医学图像执行脑肿瘤的语义分割。
此示例显示如何定义和创建使用TVERSKY丢失的自定义像素分类层。
此示例显示了如何使用Grad-Cam探索语义分段网络的预测。
此示例首先显示如何使用普雷雷达的膨胀3-D(i3D)二流卷积神经网络的视频分类器进行活动识别,然后显示如何使用传输学习使用来自视频的RGB和光流数据训练这种视频分类器[1]。
使用佩带的减速视频分类器执行手势识别。