이 번역 페이지는 최신 내용을 담고 있지 않습니다. 최신 내용을 영문으로 보려면 여기를 클릭하십시오.
딥러닝을 사용한 의미론적 분할 시작하기
분할은 영상 분석 작업에 반드시 필요한 작업입니다.의미론적 분할은 영상의 각 픽셀을 클래스 레이블(예:꽃,사람,도로,하늘,바다또는자동차)과 연결하는 과정을 설명합니다.
의미론적 분할의 응용 분야는 다음과 같습니다.
자율 주행
산업 검사(Industrial Inspection)
위성 영상에 나타나는 지형의 분류
의료 영상 분석
의미론적 분할을 위한 훈련 데이터에 레이블 지정하기
대용량 데이터셋을 사용하면 특정 입력(또는 입력 측면)에 더 빠르고 정확하게 매핑할 수 있습니다. 데이터 증대를 사용하면 훈련에서 제한된 데이터셋을 활용할 수 있습니다. 보조적인 변경(예: 영상 평행 이동, 자르기 또는 변환)을 통해 서로 다른 고유한 새 영상이 생성됩니다.Augment Images for Deep Learning Workflows Using Image Processing Toolbox(Deep Learning Toolbox)항목을참조하십시오。
영상 레이블 지정기,비디오 레이블 지정기또는실측 레이블 지정기(Automated Driving Toolbox)(Automated Driving Toolbox™에서 사용 가능) 앱을 사용하여 대화형 방식으로 픽셀에 레이블을 지정하고 훈련을 위해 레이블 데이터를 내보낼 수 있습니다. 또한 이러한 앱을 사용하여 사각형 관심 영역(ROI)에 레이블을 지정하고 영상 분류를 위해 장면에 레이블을 지정할 수 있습니다.
의미론적 분할 신경망을 훈련시키고 테스트하기
의미론적 분할 신경망을 훈련시키는 단계는 다음과 같습니다.
1.Analyze Training Data for Semantic Segmentation
2.Create a Semantic Segmentation Network
사전 훈련된 DeepLabv3+ 신경망을 사용하여 객체 분할하기
MathWorks®GitHub 리포지토리는 기본 제공 추론을 수행할 때 다운로드하여 사용할 수 있는 사전 훈련된 최신 딥러닝 신경망의 구현을 제공합니다.
DeepLabv3+ 딥러닝 신경망을 사용하여 영상에 대한 의미론적 분할을 수행하려면Pretrained DeepLabv3+ Semantic Segmentation NetworkGitHub 리포지토리에서 사전 훈련된 DeepLabv3+ 모델을 다운로드하십시오. 이 신경망은 Pascal VOC 데이터셋에 대해 훈련되었으며, 비행기, 버스, 자동차, 기차, 사람, 말을 포함한 20개의 서로 다른 사물 클래스를 분할할 수 있습니다.
사전 훈련된 최신 MathWorks 모델과 예제 목록은MATLAB Deep Learning (GitHub)을 참조하십시오.
참고 항목
앱
함수
semanticseg
|semanticSegmentationMetrics
|evaluateSemanticSegmentation
|pixelLabelDatastore
|segnetLayers
|fcnLayers
|unet3dLayers
|unetLayers
객체
관련 예제
- Augment Pixel Labels for Semantic Segmentation(Deep Learning Toolbox)
- Import Pixel Labeled Dataset For Semantic Segmentation
- 딥러닝을 사용한 의미론적 분할
- Label Pixels for Semantic Segmentation
- Define Custom Pixel Classification Layer with Tversky Loss
- Semantic Segmentation Using Dilated Convolutions
- Calculate Segmentation Metrics in Block-Based Workflow
- Explore Semantic Segmentation Network Using Grad-CAM
세부 정보
- MATLAB의 딥러닝(Deep Learning Toolbox)