このページの翻訳は最新ではありません。ここをクリックして、英語の最新版を参照してください。
深層学習データの前処理
深層学習用のデータの管理と前処理
データの前処理は、ネットワークで受け入れられる形式で生データを準備する、深層学習ワークフローに共通する最初の手順です。たとえば、イメージ入力層のサイズに一致するようにイメージ入力のサイズを変更できます。データの前処理を行って、必要な特徴を強調したり、ネットワークにバイアスを生じさせる可能性があるアーティファクトを低減することもできます。たとえば、入力データを正規化したり、入力データからノイズを削除できます。
イメージ入力の前処理は、MATLAB®および Deep Learning Toolbox™ で提供されるデータストアと関数を使用したサイズ変更などの操作によって行うことができます。その他の MATLAB ツールボックスには、深層学習データのラベル付け、処理、拡張のための関数、データストア、およびアプリが用意されています。その他の MATLAB ツールボックスの専用ツールを使用して、イメージ処理、オブジェクト検出、セマンティック セグメンテーション、信号処理、オーディオ処理、テキスト分析などの領域向けにデータを処理します。
アプリ
イメージ ラベラー | コンピューター ビジョン アプリケーションに使用するイメージのラベル付け |
ビデオ ラベラー | Label video for computer vision applications |
グラウンド トゥルース ラベラー | Label ground truth data for automated driving applications |
LIDAR ラベラー | Label ground truth data in lidar point clouds |
信号ラベラー | 対象となる信号の属性、領域および点へのラベル付け |
Audio Labeler | (To be removed) Define and visualize ground-truth labels |
トピック
深層学習データの前処理
- 深層学習用のデータセット
さまざまな深層学習タスク用のデータセットを確認。 - イメージ分類用のデータストアの作成と確認
この例では、深層学習ネットワークの学習で使用するイメージ データストアの作成、読み取り、および拡張を行う方法を示します。 - イメージの深層学習向け前処理
学習、予測、および分類用にイメージのサイズを変更する方法と、データ拡張、変換、および専用のデータストアを使用してイメージを前処理する方法を学びます。 - ボリュームの深層学習向け前処理
ボリューム イメージとラベル データを読み取り、3 次元深層学習向けに前処理します。 - 領域固有の深層学習用途のためのデータの前処理
イメージ処理、オブジェクト検出、セマンティック セグメンテーション、信号およびオーディオ処理、テキスト分析など、領域に対する確定的またはランダム化されたデータ処理を実行します。
グラウンド トゥルース学習データへのラベル付け
- グラウンド トゥルース データにラベルを付けるためのアプリの選択
グラウンド トゥルース データのラベル付けに、次のどのアプリを使用するかを決定します。イメージ ラベラー、ビデオ ラベラー、グラウンド トゥルース ラベラー、LIDAR ラベラー、信号ラベラー、Audio Labeler。 - セマンティック セグメンテーションのピクセルのラベル付け(计算机视觉工具箱)
セマンティック セグメンテーション ネットワークに学習させるために、ラベル付けアプリを使用して、ピクセルにラベルを付けます。 - Get Started with the Ground Truth Labeler(Automated Driving Toolbox)
Interactively label multiple lidar and video signals simultaneously. - カスタム ラベル付け関数(Signal Processing Toolbox)
カスタム ラベル付け関数を作成および管理します。 - Label Audio Using Audio Labeler(Audio Toolbox)
Interactively define and visualize ground-truth labels for audio datasets.
データストアのカスタマイズ
- 深層学習用のデータストア
深層学習アプリケーションでデータストアを使用する方法を学びます。 - image-to-image 回帰用のデータストアの準備
この例では、ImageDatastore
の関数transform
およびcombine
を使用して image-to-image 回帰ネットワークの学習用のデータストアを準備する方法を説明します。 - メモリ外のシーケンス データを使用したネットワークの学習
この例では、データストアの変換と組み合わせによってメモリ外のシーケンス データで深層学習ネットワークに学習させる方法を説明します。 - 畳み込みニューラル ネットワークを使用したテキスト データの分類
この例では、畳み込みニューラル ネットワークを使用してテキスト データを分類する方法を説明します。 - 深層学習を使用したメモリ外のテキスト データの分類
この例では、変換されたデータストアを使用して深層学習ネットワークでメモリ外のテキスト データを分類する方法を説明します。