计算机视觉的深度学习
使用卷积神经网络(cnn或ConvNets)进行分类、目标检测、迁移学习和语义分割。
卷积神经网络(cnn或ConvNets)是深度学习的基本工具,尤其适用于图像分类、目标检测和识别任务。cnn被实现为一系列相互连接的层。这些层由卷积、ReLU(整流线性单元)和池化层的重复块组成。卷积层用一组过滤器对输入进行卷积。过滤器是在网络训练过程中自动学习的。ReLU层为网络增加了非线性,使网络能够近似图像像素与图像语义内容之间的非线性映射。池化层对输入进行采样,并帮助巩固局部图像特征。
卷积神经网络需要neural Network Toolbox™。CUDA支持训练和预测万博1manbetx®具有3.0或更高计算能力的GPU。建议使用GPU,并需要并行计算工具箱™。
您可以构建一个CNN架构,使用语义分割训练网络,并使用训练过的网络来预测类标签或检测对象。你也可以从预训练的网络中提取特征,并使用这些特征来训练分类器。此外,您可以执行迁移学习,在新数据上重新训练CNN。
功能
例子和如何
使用深度学习按类分割对象
深度学习基础(神经网络工具箱)
发现MATLAB中使用卷积神经网络(ConvNets)进行分类和回归的深度学习功能
这个例子展示了如何使用深度学习训练一个语义分割网络。
这个例子展示了如何使用预训练的卷积神经网络(CNN)作为特征提取器来训练图像类别分类器。
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。
这个例子展示了如何使用名为Faster R-CNN(卷积神经网络区域)的深度学习技术来训练一个目标检测器。
选择R-CNN,快速R-CNN,或更快的R-CNN对象探测器
决定使用哪个R-CNN检测器训练函数。
预训练卷积神经网络(神经网络工具箱)
学习如何下载和使用预训练的卷积神经网络进行分类,迁移学习和特征提取。