ubuntu18.04/20.04 tensorflow2.3-2.6 python3.6

三维点云语义分割可视化样例数据，配套介绍请参考：https://blog.csdn.net/suiyingy/article/details/124669623，含数据和python源码，以及三维点云学习系列材料。

【AI科技大本营导读】目前，计算机视觉是深度学习领域最热门的研究领域之一。计算机视觉实际上是一个跨领域的交叉学科，包括计算机科学（图形、算法、理论、系统、体系结构），数学（信息检索、机器学习），工程学（机器人、语音、自然语言处理、图像处理），物理学（光学 ），生物学（神经科学）和心理学（认知科学）等等。许多科学家认为，计算机视觉为人工智能的发展开拓了道路。那么什么是计算机视觉呢？这里给出了几个比较严谨的定义：“对图像中的客观对象构建明确而有意义的描述”（Ballard＆Brown，1982）“从一个或多个数字图像中计算三维

实时语义分割算法Light-Weight RefineNet

LiteSeg语义分割的模型和源码，使用OpenCV 的Dnn进行推理

1 、Li探索了一个新的更深层的Atrous Spatial Pyramid Pooling module (ASPP)，并应用了长短残差连接以及深度可分离卷积，从而得到了一个更快、更有效的分割模型。LiteSeg体系结构在多个backbone上进行测试，如Darknet19、MobileNet和ShuffleNet，在准确性和计算成本之间提供多重权衡。以MobileNetV2为主干网的LiteSeg模型，在Cityscapes数据集上针对640×360分辨率的图像以每秒161帧的速度，达到了67.81%的mIoU精度。 2 、基于编解码结构、Atours Spatial Pyramid Pooling (ASPP)、空洞卷积和深度可分离卷积，论文设计了一种能够适应任何backbone的LiteSeg结构。通过选择不同的backbone，将允许在计算成本和精度之间进行权衡，以满足多种需求。 主要有两点： 2.1、提出了一种实时有竞争力的网络结构，并用三种不同的backbone Darknet19、MobileNetV2和ShuffleNet进行了测试，在Cityscapes数据集上实现

学习深度学习语义分割总结

FCN网络个人理解版，欢迎提出宝贵意见

帮助您找工作或者做毕业论文课题或者工作需要，让您少走弯路，很赞的哟！

采用pytorch深度学习框架实现的deeplab_v3+语义分割任务，谷歌deeplab系列性能最好也是最复杂的一个版本，可满足绝大部分基础语义分割场景。主干网络在算力不足时可选择轻量版的mobilenet_v2，算力足够时可选择Xception。 deeplab_v3+：用一个简单有效的解码器模块扩展deeplab_v3优化细分结果，尤其是沿目标边界。此外，在这种编码器 - 解码器结构中，可以通过空洞卷积任意地控制所提取的编码器特征的分辨率，以平衡准确率和运行时间。 本代码可作为入门计算机视觉语义分割任务时的学习了解用处，也可作为高校大学生的毕业课程设计使用。