深度学习使用神经网络直接从数据中学习有用的特征表示。例如,您可以使用预先训练的神经网络来识别和去除图像中的伪影,如噪声。
使用确定性操作(如标准化或颜色空间转换)预处理数据,或使用随机操作(如随机裁剪或颜色抖动)增加训练数据。
用于深度学习的数据存储(深度学习工具箱)
学习如何在深度学习应用程序中使用数据存储。
为图像到图像的回归准备数据存储(深度学习工具箱)
这个例子展示了如何准备一个数据存储来训练图像到图像回归网络变换
和结合
的功能图像数据存储
.
此示例显示了MATLAB®和图像处理工具箱的工作原理™ 作为深度学习工作流程的一部分,可以执行常见类型的图像增强。
使用预先训练的神经网络从灰度图像中去除高斯噪声,或使用预先定义的层训练自己的网络。
您可以创建和定制深度学习网络,这些网络遵循模块化模式,具有重复的层组,如U-Net和cycleGAN。
GAN网络可以将一组图像的样式和特征转换为其他图像的场景内容。
预先训练的深度神经网络(深度学习工具箱)
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。
深度学习层列表(深度学习工具箱)
在MATLAB中发现所有深度学习层®.
MATLAB中的深度学习(深度学习工具箱)
利用卷积神经网络进行分类和回归,在MATLAB中发现深度学习能力,包括预训练网络和迁移学习,以及在gpu、cpu、集群和云上的训练。
基于深度学习的语义分割(计算机视觉工具箱)
这个例子展示了如何使用深度学习来训练语义分割网络。