컴퓨터 비전

컴퓨터 비전 응용 분야에서 딥러닝 워크플로 확장

Deep Learning Toolbox™를 Computer Vision Toolbox™와 함께 사용하여 컴퓨터 비전 응용 분야에 딥러닝을 적용합니다.

앱

영상 레이블 지정기	컴퓨터 비전 응용 분야에서 영상에 레이블 지정
비디오 레이블 지정기	Label video for computer vision applications

함수

모두 확장

훈련 데이터용 데이터저장소

`boxLabelDatastore`	Datastore for bounding box label data (R2019b 이후)
`pixelLabelDatastore`	Datastore for pixel label data

의미론적 분할

`deeplabv3plusLayers`	Create DeepLab v3+ convolutional neural network for semantic image segmentation (R2019b 이후)
`segnetLayers`	Create SegNet layers for semantic segmentation
`unetLayers`	Create U-Net layers for semantic segmentation
`unet3dLayers`	Create 3-D U-Net layers for semantic segmentation of volumetric images (R2019b 이후)

객체 검출

`rcnnObjectDetector`	Detect objects using R-CNN deep learning detector
`fastRCNNObjectDetector`	Detect objects using Fast R-CNN deep learning detector
`fasterRCNNObjectDetector`	Detect objects using Faster R-CNN deep learning detector
`ssdObjectDetector`	Detect objects using SSD deep learning detector (R2020a 이후)
`yolov2ObjectDetector`	Detect objects using YOLO v2 object detector (R2019a 이후)
`yolov3ObjectDetector`	Detect objects using YOLO v3 object detector (R2021a 이후)
`yolov4ObjectDetector`	Detect objects using YOLO v4 object detector (R2022a 이후)
`fastFlowAnomalyDetector`	Detect anomalies using FastFlow network (R2023a 이후)
`fcddAnomalyDetector`	Detect anomalies using fully convolutional data description (FCDD) network for anomaly detection (R2022b 이후)
`maskrcnn`	Detect objects using Mask R-CNN instance segmentation (R2021b 이후)

텍스트 검출 및 인식

detectTextCRAFT Detect texts in images by using CRAFT deep learning model (R2022a 이후)

도움말 항목

객체 검출

Getting Started with Object Detection Using Deep Learning (Computer Vision Toolbox)
Perform object detection and instance segmentation using deep learning neural networks.
Augment Bounding Boxes for Object Detection
This example shows how to perform common kinds of image and bounding box augmentation as part of object detection workflows.
R-CNN 딥러닝을 사용하여 객체 검출기 훈련시키기
이 예제에서는 딥러닝과 R-CNN(Regions with Convolutional Neural Networks)을 사용하여 객체 검출기를 훈련시키는 방법을 다룹니다.
Import Pretrained ONNX YOLO v2 Object Detector
This example shows how to import a pretrained ONNX™ (Open Neural Network Exchange) you only look once (YOLO) v2 [1] object detection network and use it to detect objects.
Export YOLO v2 Object Detector to ONNX
This example shows how to export a YOLO v2 object detection network to ONNX™ (Open Neural Network Exchange) model format.
Deploy Object Detection Model as Microservice (MATLAB Compiler SDK)
Use a microservice to detect objects in images.

의미론적 분할

딥러닝을 사용한 의미론적 분할 시작하기 (Computer Vision Toolbox)
딥러닝을 사용하여 클래스를 기준으로 객체를 분할합니다.
Train Simple Semantic Segmentation Network in Deep Network Designer
This example shows how to create and train a simple semantic segmentation network using Deep Network Designer.
Augment Pixel Labels for Semantic Segmentation
This example shows how to perform common kinds of image and pixel label augmentation as part of semantic segmentation workflows.
Semantic Segmentation Using Dilated Convolutions
Train a semantic segmentation network using dilated convolutions.
딥러닝을 사용한 다중분광 영상의 의미론적 분할
이 예제에서는 U-Net을 사용하여 7가지 채널을 갖는 다중분광 영상에 대한 의미론적 분할을 수행하는 방법을 보여줍니다.
딥러닝을 사용한 3차원 뇌종양 분할
이 예제에서는 3차원 의료 영상에서 뇌종양의 의미론적 분할을 수행하는 방법을 다룹니다.
Define Custom Pixel Classification Layer with Tversky Loss
This example shows how to define and create a custom pixel classification layer that uses Tversky loss.
Explore Semantic Segmentation Network Using Grad-CAM
This example shows how to explore the predictions of a pretrained semantic segmentation network using Grad-CAM.
Generate Adversarial Examples for Semantic Segmentation (Computer Vision Toolbox)
Generate adversarial examples for a semantic segmentation network using the basic iterative method (BIM).

비디오 분류

Activity Recognition from Video and Optical Flow Data Using Deep Learning
This example first shows how to perform activity recognition using a pretrained Inflated 3-D (I3D) two-stream convolutional neural network based video classifier and then shows how to use transfer learning to train such a video classifier using RGB and optical flow data from videos [1].
Gesture Recognition using Videos and Deep Learning
Perform gesture recognition using a pretrained SlowFast video classifier.

추천 예제

Faster R-CNN 딥러닝을 사용한 객체 검출

이 예제에서는 Faster R-CNN(Regions with Convolutional Neural Networks) 객체 검출기를 훈련시키는 방법을 다룹니다.

라이브 스크립트 열기

YOLO v2 딥러닝을 사용한 객체 검출

이 예제에서는 YOLO(You Only Look Once) v2 객체 검출기를 훈련시키는 방법을 다룹니다.

라이브 스크립트 열기

Point Cloud Classification Using PointNet Deep Learning

Train a PointNet network for point cloud classification.

라이브 스크립트 열기

Object Detection Using SSD Deep Learning

Train a Single Shot Detector (SSD).

라이브 스크립트 열기

Object Detection Using YOLO v3 Deep Learning

Train a YOLO v3 object detector.

라이브 스크립트 열기

YOLO v4 딥러닝을 사용한 객체 검출

이 예제에서는 YOLO v4(You Only Look Once Version 4) 딥러닝 신경망을 사용하여 영상에서 객체를 검출하는 방법을 보여줍니다. 이 예제에서는 다음을 수행합니다

라이브 스크립트 열기

Perform Instance Segmentation Using Mask R-CNN

Segment individual instances of people and cars using a multiclass mask region-based convolutional neural network (R-CNN).

라이브 스크립트 열기

딥러닝을 사용한 의미론적 분할

이 예제에서는 의미론적 분할 신경망을 사용하여 영상을 분할하는 방법을 보여줍니다.

라이브 스크립트 열기

Generate Image from Segmentation Map Using Deep Learning

Generate a synthetic image of a scene from a semantic segmentation map.

라이브 스크립트 열기

Estimate Body Pose Using Deep Learning

Estimate the body pose of one or more people using the OpenPose algorithm.

라이브 스크립트 열기

Activity Recognition from Video and Optical Flow Data Using Deep Learning

First shows how to perform activity recognition using a pretrained Inflated 3-D (I3D) two-stream convolutional neural network based video classifier and then shows how to use transfer learning to train such a video classifier using RGB and optical flow data from videos [1].

라이브 스크립트 열기

Gesture Recognition using Videos and Deep Learning

Perform gesture recognition using a pretrained SlowFast video classifier.

라이브 스크립트 열기

Detect Image Anomalies Using Explainable FCDD Network

Use an anomaly detector to distinguish between normal pills and pills with anomalous chips or contamination.

라이브 스크립트 열기

Classify Defects on Wafer Maps Using Deep Learning

Classify eight types of manufacturing defects on wafer maps using a simple convolutional neural network (CNN).

라이브 스크립트 열기

Detect Image Anomalies Using Pretrained ResNet-18 Feature Embeddings

Train a similarity-based anomaly detector using one-class learning of feature embeddings extracted from a pretrained ResNet-18 convolutional neural network.

라이브 스크립트 열기