딥러닝을 사용한 의미론적 분할 시작하기

분할은 영상 분석 작업에 반드시 필요한 작업입니다. 의미론적 분할은 영상의 각 픽셀을 클래스 레이블(예: 꽃, 사람, 도로, 하늘, 바다 또는 자동차)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 (Deep Learning Toolbox) 항목을 참조하십시오.

영상 레이블 지정기, 비디오 레이블 지정기 또는 실측 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

3. Train A Semantic Segmentation Network

4. Evaluate and Inspect the Results of Semantic Segmentation

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.

사전 훈련된 최신 MathWorks 의미론적 분할 모델과 예제 목록은 MATLAB Deep Learning (GitHub)을 참조하십시오.

참고 항목

앱

• 영상 레이블 지정기

함수

• semanticseg | semanticSegmentationMetrics | evaluateSemanticSegmentation | pixelLabelDatastore | segnetLayers | fcnLayers | unet3dLayers | unetLayers

객체

• pixelClassificationLayer | pixelLabelImageDatastore

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)