Anwendungen
Verwenden Sie die Deep Learning Toolbox™, um Deep Learning in Anwendungen mit Computer Vision, Bildverarbeitung, automatisiertem Fahren, Signalen, Audio, Textanalyse und Finanzberechnungen einzubinden.
Kategorien
- Bildverarbeitung und Computer Vision
Erweitern von Deep-Learning-Workflows mit Bildverarbeitung, Computer Vision, medizinischer Bildgebung, Lidar und automatisierten Fahranwendungen
- Signalverarbeitung, Audio und drahtlose Kommunikation
Erweitern von Deep-Learning-Workflows mit Anwendungen der Signalverarbeitung, Audioverarbeitung, drahtlosen Kommunikation und Radarverarbeitung
- Autonome Systeme und Regelungssysteme
Erweitern von Deep Learning-Workflows mit Anwendungen von Verstärkungslernen, vorausschauender Wartung und autonomer Navigation
- Textanalyse und Finanzberechnungen
Erweitern von Deep-Learning-Workflows mit Textanalyse- und Finanzberechnungsanwendungen
- Durchgängige KI-Workflows
Verwenden von Deep Learning in durchgängigen Workflows einschließlich dem Festlegen von Anforderungen, der Datenvorbereitung, neuronalem Deep Training, Komprimierung, Netz-Tests und -Verifikation, Simulink-Integration und Bereitstellung
Enthaltene Beispiele
Object Detection Using YOLO v4 Deep Learning
Detect objects in images using you only look once version 4 (YOLO v4) deep learning network. In this example, you will
Train Deep Learning Semantic Segmentation Network Using 3-D Simulation Data
Use 3-D simulation data to train a semantic segmentation network and fine-tune it to real-world data using generative adversarial networks (GANs).
Lidar Object Detection Using Complex-YOLO v4 Network
Detect objects in point clouds using you only look once version 4 (YOLO v4) deep learning network. In this example, you will
Increase Image Resolution Using Deep Learning
Create a high-resolution image from a low-resolution image using a very-deep super-resolution (VDSR) neural network.
Chemical Process Fault Detection Using Deep Learning
Use simulation data to train a neural network than can detect faults in a chemical process.
Compare Deep Learning Networks for Credit Default Prediction
Create, train, and compare three deep learning networks for predicting credit default probability.
Sequence-to-Sequence Translation Using Attention
Convert decimal strings to Roman numerals using a recurrent sequence-to-sequence encoder-decoder model with attention.
Classify ECG Signals Using Long Short-Term Memory Networks
Classify heartbeat electrocardiogram data using deep learning and signal processing.
Waveform Segmentation Using Deep Learning
Segment human electrocardiogram signals using time-frequency analysis and deep learning.
