コンピュータービジョン

コンピュータービジョンアプリケーションにおける深層学習のワークフローの拡張

Deep Learning Toolbox™ を Computer Vision Toolbox™ と共に使用して、コンピュータービジョンアプリケーションに深層学習を適用します。

アプリ

イメージラベラー	コンピュータービジョンアプリケーションに使用するラベルイメージ
ビデオラベラー	Label video for computer vision applications

関数

すべて展開する

学習データ用のデータストア

`boxLabelDatastore`	Datastore for bounding box label data (R2019b 以降)
`pixelLabelDatastore`	ピクセルラベルデータのデータストア

ViT (ビジョン変換)

`visionTransformer`	Pretrained vision transformer (ViT) neural network (R2023b 以降)
`patchEmbeddingLayer`	Patch embedding layer (R2023b 以降)

セマンティックセグメンテーション

`deeplabv3plusLayers`	セマンティックイメージセグメンテーション用の DeepLab v3+ 畳み込みニューラルネットワークの作成 (R2019b 以降)
`segnetLayers`	セマンティックセグメンテーションの SegNet 層の作成
`unetLayers`	セマンティックセグメンテーションの U-Net 層の作成
`unet3dLayers`	(To be removed) Create 3-D U-Net layers for semantic segmentation of volumetric images (R2019b 以降)

オブジェクト検出およびインスタンスセグメンテーション

`rcnnObjectDetector`	R-CNN 深層学習の検出器を使用したオブジェクトの検出
`fastRCNNObjectDetector`	Detect objects using Fast R-CNN deep learning detector
`fasterRCNNObjectDetector`	Faster R-CNN 深層学習の検出器を使用したオブジェクトの検出
`ssdObjectDetector`	Detect objects using SSD deep learning detector (R2020a 以降)
`yolov2ObjectDetector`	Detect objects using YOLO v2 object detector
`yolov3ObjectDetector`	Detect objects using YOLO v3 object detector (R2021a 以降)
`yolov4ObjectDetector`	Detect objects using YOLO v4 object detector (R2022a 以降)
`solov2`	Segment objects using SOLOv2 instance segmentation network (R2023b 以降)
`maskrcnn`	Detect objects using Mask R-CNN instance segmentation (R2021b 以降)

自動外観検査

`fcddAnomalyDetector`	Detect anomalies using fully convolutional data description (FCDD) network for anomaly detection (R2022b 以降)
`fastFlowAnomalyDetector`	FastFlow ネットワークを使用した異常の検出 (R2023a 以降)
`patchCoreAnomalyDetector`	PatchCore ネットワークを使用した異常の検出 (R2023a 以降)
`yoloxObjectDetector`	Detect objects using YOLOX object detector (R2023b 以降)

テキストの検出と認識

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

トピック

イメージ分類

Train Vision Transformer Network for Image Classification
This example shows how to fine-tune a pretrained vision transformer (ViT) neural network neural network to perform classification on a new collection of images. JAB

オブジェクト検出およびインスタンスセグメンテーション

深層学習を使用したオブジェクト検出入門 (Computer Vision Toolbox)
深層学習ニューラルネットワークを使用して、オブジェクト検出とインスタンスセグメンテーションを実行する。
オブジェクト検出のための境界ボックスの拡張
この例では、オブジェクト検出ワークフローの一環としてイメージと境界ボックスの一般的な拡張を行う方法について説明します。
Get Started with SOLOv2 for Instance Segmentation (Computer Vision Toolbox)
Perform multiclass instance segmentation using SOLOv2 and deep learning.
R-CNN 深層学習を使用したオブジェクト検出器の学習
この例では、深層学習と R-CNN (Regions with Convolutional Neural Networks) を使用して、オブジェクト検出器に学習させる方法を説明します。
事前学習済みの ONNX YOLO v2 オブジェクト検出器のインポート
この例では、事前学習済みの ONNX™ (Open Neural Network Exchange) you only look once (YOLO) v2 [1] オブジェクト検出ネットワークをインポートし、このネットワークを使用してオブジェクトを検出する方法を説明します。
YOLO v2 オブジェクト検出器の ONNX へのエクスポート
この例では、YOLO v2 オブジェクト検出ネットワークを ONNX™ (Open Neural Network Exchange) モデルの形式にエクスポートする方法を説明します。
マイクロサービスとしてのオブジェクト検出モデルのデプロイ (MATLAB Compiler SDK)
マイクロサービスを使用してイメージ内のオブジェクトを検出する。

自動外観検査

Getting Started with Anomaly Detection Using Deep Learning (Computer Vision Toolbox)
Anomaly detection using deep learning is an increasingly popular approach to automating visual inspection tasks. The goal of anomaly detection is to perform a binary classification of images as normal or anomalous. For example, in the manufacturing industry, anomaly detection can determine which manufactured units meet quality standards and which units are defective.
説明可能 FCDD ネットワークを使用したイメージ異常の検出
異常検出器を使用して、正常な錠剤と異常な欠けや汚れのある錠剤を区別する。
Classify Defects on Wafer Maps Using Deep Learning
This example shows how to classify eight types of manufacturing defects on wafer maps using a simple convolutional neural network (CNN).
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.
Localize Industrial Defects Using PatchCore Anomaly Detector
Perform localization of anomalous defects in printed circuit boards (PCBs) using anomaly heat maps generated with the PatchCore anomaly detector.

セマンティックセグメンテーション

深層学習を使用したセマンティックセグメンテーション入門 (Computer Vision Toolbox)
深層学習を使用したオブジェクトのクラス別のセグメント化。
ディープネットワークデザイナーでの簡単なセマンティックセグメンテーションネットワークの学習
この例では、ディープネットワークデザイナーを使用し、簡単なセマンティックセグメンテーションネットワークを作成し、その学習を行う方法を説明します。
セマンティックセグメンテーションのためのピクセルラベルの拡張
この例では、セマンティックセグメンテーションワークフローの一環としてイメージとピクセルラベルの一般的な種類の拡張を行う方法について説明します。
膨張畳み込みを使用したセマンティックセグメンテーション
膨張畳み込みを使用してセマンティックセグメンテーションネットワークに学習させます。
深層学習を使用したマルチスペクトルイメージのセマンティックセグメンテーション
この例では、U-Net を使用して 7 チャネルのマルチスペクトルイメージのセマンティックセグメンテーションを実行する方法を示します。
深層学習を使用した脳腫瘍の 3 次元セグメンテーション
この例では、3 次元医用画像から脳腫瘍のセマンティックセグメンテーションを実行する方法を説明します。
Tversky 損失を使用するカスタムピクセル分類層の定義
この例では、Tversky 損失を使用するカスタムピクセル分類層を定義および作成する方法を説明します。
Grad-CAM を使用したセマンティックセグメンテーションネットワークの調査
この例では、Grad-CAM を使用して事前学習済みのセマンティックセグメンテーションネットワークの予測を調査する方法を説明します。
Generate Adversarial Examples for Semantic Segmentation (Computer Vision Toolbox)
Generate adversarial examples for a semantic segmentation network using the basic iterative method (BIM).
Prune and Quantize Semantic Segmentation Network
Reduce the memory footprint of a semantic segmentation network and speed-up inference by compressing the network using pruning and quantization.

ビデオ分類

深層学習を使用したビデオとオプティカルフローデータのアクティビティ認識
この例では、まず、事前学習済みの Inflated 3-D (I3D) 2 ストリーム畳み込みニューラルネットワークをベースとしたビデオ分類器を使用してアクティビティ認識を行う方法を説明し、次に、ビデオの RGB データとオプティカルフローデータを使用して、転移学習によりそのようなビデオ分類器に学習させる方法を説明します [1]。
Gesture Recognition using Videos and Deep Learning
Perform gesture recognition using a pretrained SlowFast video classifier.

注目の例

Detect Defects on Printed Circuit Boards Using YOLOX Network

Detect, localize, and classify defects in printed circuit boards (PCBs) using a you only look once version X (YOLOX) deep learning network.

ライブスクリプトを開く

YOLO v2 深層学習を使用したオブジェクトの検出

この例では、You Only Look Once (YOLO) v2 オブジェクト検出器に学習させる方法を説明します。

ライブスクリプトを開く

Perform Instance Segmentation Using SOLOv2

Segment object instances of randomly rotated machine parts in a bin using a deep learning SOLOv2 network.

PointNet による深層学習を使用した点群の分類

この例では、点群分類用の PointNet ネットワークに学習させる方法を説明します。

ライブスクリプトを開く

SSD 深層学習を使用したオブジェクト検出

この例では、シングルショット検出器 (SSD) に学習させる方法を説明します。

ライブスクリプトを開く

YOLO v3 深層学習を使用したオブジェクトの検出

この例では、YOLO v3 オブジェクト検出器に学習させる方法を説明します。

ライブスクリプトを開く

YOLO v4 深層学習を使用したオブジェクトの検出

この例では、You Only Look Once version 4 (YOLO v4) 深層学習ネットワークを使用して、イメージ内のオブジェクトを検出する方法を説明します。この例では、次の作業を行います。

ライブスクリプトを開く

Mask R-CNN を使用したインスタンスセグメンテーションの実行

この例では、マルチクラスの Mask R-CNN (Region-based Convolutional Neural Network) を使用して、人と自動車の個々のインスタンスをセグメント化する方法を説明します。

ライブスクリプトを開く

深層学習を使用したセマンティックセグメンテーション

この例では、セマンティックセグメンテーションネットワークを使用してイメージをセグメント化する方法を説明します。

ライブスクリプトを開く

深層学習を使用したセグメンテーションマップからのイメージの生成

セマンティックセグメンテーションマップからのシーンの合成イメージの生成。

ライブスクリプトを開く

深層学習を使用した体の姿勢の推定

OpenPose アルゴリズムを使用した、1 人以上の人物の体の姿勢の推定。

ライブスクリプトを開く

深層学習を使用したビデオとオプティカルフローデータのアクティビティ認識

この例では、まず、事前学習済みの Inflated 3-D (I3D) 2 ストリーム畳み込みニューラルネットワークをベースとしたビデオ分類器を使用してアクティビティ認識を行う方法を説明し、次に、ビデオの RGB データとオプティカルフローデータを使用して、転移学習によりそのようなビデオ分類器に学習させる方法を説明します [1]。

ライブスクリプトを開く