深度学习,语义分割和检测
深度学习和卷积网络,语义图像分割,目标检测,识别,地面真相标记,特征袋,模板匹配和背景估计
计算机视觉工具箱™支持图像分类、物体检测和识别的几万博1manbetx种方法,包括:
深度学习和卷积神经网络(cnn)
功能包
模板匹配
Blob分析
Viola-Jones算法
用于真实标签的交互式应用程序
CNN是一种流行的深度学习架构,可以直接从图像数据中自动学习有用的特征表示。特征袋将图像特征编码成适合图像分类和图像检索的紧凑表示形式。模板匹配使用小图像或模板在较大图像中查找匹配区域。Blob分析使用分割和Blob属性来识别感兴趣的对象。维奥拉-琼斯算法使用类似哈尔的特征和级联分类器来识别物体,包括脸、鼻子和眼睛。你可以训练这个分类器来识别其他对象。
突出主题
- 图像和视频标签
用于对象检测、语义分割和图像分类的交互式图像和视频标记 - 语义分割
语义图像分割 - 使用深度学习的目标检测
使用卷积神经网络(cnn或ConvNets)执行分类,目标检测,迁移学习 - 使用特征进行目标检测
检测人脸和行人,创建自定义检测器 - 图像分类、分类与检索
为图像分类和基于内容的图像检索(CBIR)系统创建一袋视觉词 - 光学字符识别(OCR)
使用光学字符识别识别文本