开始使用深度学习进行语义分割
分割在图像分析中是必不可少的。语义分割描述将图像的每个像素与类标签(如花,人,路,天空,海洋,或车).
语义分割的应用包括:
自主驾驶
工业检测
卫星图像中可见地形的分类
医学影像分析
用于语义分割的标签训练数据
大型数据集能够更快更准确地映射到特定的输入(或输入方面)。使用数据增强提供了一种利用有限的数据集进行训练的方法。较小的更改,如翻译、裁剪或转换图像,可以提供新的、独特的图像。看到为深度学习工作流增加图像(深度学习工具箱)
您可以使用图片标志,贴标签机视频,或地面真相标签(自动驾驶工具箱)(可在自动驾驶工具箱™)应用程序交互标记像素和导出标签数据进行培训。该应用程序还可以用于标记感兴趣的矩形区域(roi)和场景标签,用于图像分类。
训练和测试语义分割网络
语义分割网络的训练步骤如下:
使用预训练的DeepLabv3+网络分段对象
MathWorks®GitHub存储库提供了最新的预训练深度学习网络的实现,可以下载并用于执行开箱即用的推理。
有关所有最新MathWorks预训练的语义分割模型和示例的列表,请参见MATLAB深度学习(GitHub).
另请参阅
应用程序
功能
semanticseg
|semanticSegmentationMetrics
|evaluateSemanticSegmentation
|pixelLabelDatastore
|segnetLayers
|fcnLayers
|unet3dLayers
|unetLayers
对象
相关的例子
- 增强像素标签的语义分割(深度学习工具箱)
- 导入像素标记数据集进行语义分割
- 基于深度学习的语义分割
- 用于语义分割的标签像素
- 定义具有Tversky损失的自定义像素分类层
- 基于扩展卷积的语义分割
- 在基于块的工作流中计算分割指标
- 基于Grad-CAM的语义分割网络研究
更多关于
- MATLAB中的深度学习(深度学习工具箱)