Main Content

Die Übersetzung dieser Seite ist veraltet. Klicken Sie hier, um die neueste Version auf Englisch zu sehen.

Erkennung, Objekterkennung und semantische Segmentierung

Erkennung, Klassifizierung, semantische Bildsegmentierung, Instance Segmentation, Objekterkennung anhand von Merkmalen und Deep-Learning-Objekterkennung mithilfe von CNNs, YOLO und SSD

Computer Vision Toolbox™ unterstützt mehrere Ansätze für die Bildklassifizierung, Objekterkennung, semantische Segmentierung, Instance Segmentation und Erkennung, darunter:

  • Deep Learning und Convolutional Neural Networks (CNNs)

  • Bag-of-Features

  • Vorlagenabgleich

  • Blob-Analyse

  • Viola-Jones-Algorithmus

CNN ist eine beliebte Deep-Learning-Architektur, die direkt aus Bilddaten nützliche Merkmalsdarstellungen automatisch lernen kann. Bag-of-Features codiert Bildmerkmale in eine kompakte Darstellung, die sich für Bildklassifizierung und Bildabruf eignet. Beim Vorlagenabgleich wird ein kleineres Bild, die Vorlage, verwendet, um übereinstimmende Regionen in einem größeren Bild zu finden. Die Blob-Analyse verwendet Segmentierung und Blobeigenschaften, um relevante Objekte zu erkennen. Der Viola-Jones-Algorithmus nutzt Haar-ähnliche Funktionen und eine Kaskade an Klassifikatoren, um Objekte wie Gesichter, Nasen und Augen zu erkennen. Sie können diesen Klassifikator darauf trainieren, andere Objekte zu erkennen.

Wichtige Themen

Kategorien

  • Objekterkennung
    Klassifizierung, Objekterkennung, Transfer Learning mithilfe von Convolutional Neural Networks (CNNs oder ConvNets) durchführen, benutzerdefinierte Detektoren erstellen
  • Semantische Segmentierung
    Semantische Bildsegmentierung
  • Instanzensegmentierung
    Durchführen von Instance Segmentation mithilfe vortrainierter Deep-Learning-Netzwerke und Trainieren von Netzwerken mithilfe von Transfer Learning an benutzerdefinierten Daten
  • Bildkategorie-Klassifizierung
    Erstellen eines Vision-Transformators oder Bag-of-Visual-Words-Bildklassifikators
  • Automatisierte Sichtprüfung
    Automatisieren von Qualitätskontroll-Aufgaben mithilfe Anomalieerkennungs- und Lokalisierungsmethoden
  • Texterkennung und -erfassung
    Detektieren und Erkennen von Text mithilfe der Bildmerkmal-Erkennung und Beschreibung, Deep Learning und OCR
  • Keypoint-Erkennung
    Erkennen von Keypoints in Objekten mithilfe von Convolutional Neural Networks (CNNs)
  • Videoklassifizierung
    Durchführen einer Video-Klassifizierung und Aktivitätserkennung mithilfe von Deep Learning

Enthaltene Beispiele