2. Deep Learning
■ Aprendizaje profundo es un conjunto de
algoritmos de aprendizaje automático que
intenta modelar abstracciones de alto nivel en
datos usando arquitecturas computacionales
que admiten transformaciones no lineales
múltiples e iterativas de datos expresados en
forma matricial o tensorial.
3. Segmentación Semántica
■ Asocia una etiqueta o una categoría en una imagen.
■ Un ejemplo práctico es la siguiente imagen:
:
■ Se puede confundir este método con la detección de objetos.
4. ■ Su funcionamiento radica en los
siguientes pasos:
– Analizar un conjunto de
imágenes.
– Crear una red.
– Entrenar la red.
– Evaluar la precisión
■ Su implementación en MatLab es
la siguiente:
– Etiquetar los datos u obtener
datos etiquetados.
– Crear un datastore para las
imágenes originales y otro
para las imágenes
etiquetadas.
– Dividir los datastore
– Importar una CNN y
modificarla para convertirla
en una SegNet.
– Entrenar y evaluar la red.
5. U-net
■ Es una red totalmente convolucional.
■ Su arquitectura consta de 2 vías.
– Codificador
– Decodificador
■ Gracias a los filtros y las convoluciones se pueden comprimir y descomprimir la
información.
■ Este modelo tiene una forma de U para evitar las pérdidas.
6.
7. DeepLab V3
■ Es un modelo para la segmentación de
imágenes donde ser diferencia en 2 puntos.
■ Al igual que el anterior punto tiene 2 vías:
– Codificación
– Decodificación
■ Para estos procesos se usa el método
piramidal, que se muestra lo siguiente.
8. ■ Lo que tiene de especial es su decodificación.
9. Algunos Papers
■ U-net
– U-Net: Convolutional Networks
for Biomedical Image
Segmentation
– Fully Convolutional Networks
for Semantic Segmentation
■ DeepLab V3
– Rethinking Atrous Convolution
for Semantic Image
Segmentation
– Encoder-Decoder with Atrous
Separable Convolution for
Semantic Image Segmentation