此回购包含AAAI 2021论文的代码和结果： ， | | | （Google CoLab） 拟议的两阶段框架概述。 首先，我们提出了一个用于水印检测，删除和恢复的多任务网络SplitNet。 然后，我们提出了RefineNet，以使用预测的蒙版和从上一阶段恢复的背景对学习区域进行平滑处理。 因此，我们的网络可以在没有任何人工干预的情况下以端到端的方式进行培训。 注意，为清楚起见，我们没有显示所有编码器和解码器之间的任何跳过连接。 整个项目将于2021年1月（几乎）发布。 数据集 我们合成了四个不同的数据集进行训练和测试，您可以通过下载该数据集。 预训练模型 其他经过预先训练的模型仍在重组和上传中，它将很快发布。 演示版 可以在google colab中建立一个易于使用的在线演示。 本地演示将很快发布。 前提条件 pip install -r requirements.

字符分割，由于车牌长宽比较固定，本文提出了一种基于车牌比例特征的 字符分割方法，结合二值图像垂直投影和车牌比例特征各自的优势进行字符分 割。利用车牌比例特征大致确定字符间的分割区域，再在这个分割区域中寻找垂直投影值最小的位置就是最佳的分割点。这种方法可以很好地解决字符粘连的情 况。

使用Darknet作图像语义分割时提供参考。找了好几个资源都没有合适的，提供给同样需要的人.

破解验证码论文以及源代码图形分割 带粘连字符分割 SVM算法分析图形处理 这个本人研究验证码多年收集整理的资料已经研究成果，其中包含大量源代码，已经可以直接使用的软件。同时对比较难得带 带粘连字符分割问题的解决上做出了分析。

字符分割算法论文，中文的论文，e文不好的菜鸟们的福音

在基于图像的轨道检测系统中，光照变化和表面反射特性容易影响轨道表面缺陷的分割效果。本文提出了一种基于背景减法的轨道表面缺陷图像分割算法。其次，为了提高精度，结合相关系数和欧几里得距离来测量像素邻域之间的相似度。然后，利用相似度测量结果确定邻域平均尺度，多尺度建立背景图像模型。最后，通过差分图像的图像差分和设定阈值实现轨道表面缺陷的分割。该方法充分利用了轨道图像中像素邻域之间的相似度信息，并建立了背景图像的精确模型。 因此，该方法可以有效减少照明不均匀的影响和轨道表面的反射特性，同时突出图像中的缺陷区域。实验结果表明，该方法具有良好的效果。对块状缺陷和线性缺陷的分割都产生了影响，这些缺陷在图像中离散分布。

基于matlab的马尔科夫链图像显著性监测，亲测可以运行

包括LIP、CIHP与ATR三个数据集，其中ATR包括ICCV15_fashion_dataset(ATR)，有JPEGImages和SementationClassAug两个部分；LIP包括Testing_images.zip、Train_parsing_reversed_labels.zip、TrainVal_images.zip、TrainVal_parsing_annotations.zip和TrainVal_pose_annotations.zip五个数据包；CIHP包括instance-level_human_parsing，有testing、training和Validations三个部分的数据集和human_colormap.mat。

对于指纹的特征提取包含几个步骤，脊线增强、脊线分割、脊线细化、细节点检测和细节点验证，本次大作业需要针对已经增强的指纹图片进行后续几个步骤，通过多种形态学算法进行分割、细化、细化后处理，找到其中的端点和分叉点，而指纹周边的伪细节点需要被去除。

语言：MATLAB—交通标志自动识别设计（自动定位，分割，识别，方法模板匹配，可sift，svm等方法，带界面，详细步骤和解析）