深度学习神经网络在图像处理方面的简单应用，unent分割不同等级的烟丝， 使用的是linux16+opecnv4.0的环境部署。

背景 语义分割是深度学习中的一个非常重要的研究方向，并且UNet是语义分割中一个非常经典的模型。在本次博客中，我尝试用UNet对camvid dataset数据集进行道路分割，大致期望的效果如下： 原图 道路分割效果 本博客的代码参考了以下链接： https://github.com/milesial/Pytorch-UNet https://github.com/qubvel/segmentation_models.pytorch 数据集介绍及处理 之前的博客里，我几乎不怎么介绍数据集，因为用到的数据集比较简单；但是在使用camvid dataset的时候，我脑袋都大了，用了两三个小

Complex_Convolutional_Neural_Network_Architecture 该存储库进一步体现了我对一些著名的复杂卷积神经网络架构的实现。 这些模型是使用Tensorflow的Keras功能API从零开始开发的，这是一种创建比tf.keras.Sequential API更灵活的模型的方法。 功能性API可以处理具有非线性拓扑的模型，具有共享层的模型以及具有多个输入或输出的模型。 这种架构使神经网络可以学习深度模式（使用深度路径）和简单规则（通过短路径）。 开发型号清单 从分支悬空模型到深度卷积和点卷积的模型已经进行了实验。 我还实现了U-net，这是专门用于生物医学图像分割的独特体系结构。 最后，我制作了一个自定义的复杂模型，并在上进行了训练。 AlexNet-AlexNet是卷积神经网络的名称，它对机器学习领域产生了重大影响，特别是在将深度学习应用于机器视觉

pytorch-pix2pix pix2pix [1]的各种数据集的Pytorch实现。 您可以下载数据集： : 您可以在查看有关网络体系结构和培训详细信息的更多信息。 资料集 城市风光2,975个训练图像，200个训练纪元，1批大小，反序：真 外墙400个训练图像，200个训练纪元，1个批处理大小，反顺序：真 地图1,096个训练图像，200个训练纪元，1个批处理大小，反序：真 edge2shoes 50k训练图像，15个训练时期，4个批处理大小，反序：False edge2手袋 137k训练图像，15个训练纪元，4个批处理大小，反序：False 结果 城市风光 200个时代后的城市风光第一列：输入，第二列：输出，第三列：基本事实 生成固定输入的动画 学习时间 城市景观pix2pix-平均每个纪元：332.08秒; 总共200个时期：66,846.58秒 外墙 200个时代

UNet_with_TensorFlow 使用TensorFlow实现UNet。

Unet-of-remote-sensing-image 针对高分辨率遥感卫星进行地物识别，主要有15类的地物类型，包括各种农作物，工业用地，河流，水源，建筑物等。利用Unet结构进行语义分割，得到各个地物类型的场景分割图像，Unet结构和官方论文不太一样，自己根据理解进行了一些微调，改变了输出通道的数量，和上采样层后通道数量，每个巻积层后面加了batchNromalize层，正确率有一定的提高，最后finetune的15类分割准确率达到82%。 数据集：主要采用的landsat多通道图像，根据美国官方网站提供的地物标签制作卫星图像的groundTruth,得到23000多张训练图像，每张224×224 美国卫星数据官网： 代码：基于Unet的网络结构，参考keras代码修改为tensorflow版本，其中process.py是制作训练数据用的，将一张7000×8000的大卫星图片根据经纬

keras-unet-collection 所述tensorflow.keras实施U型网，V-净，U-净++，R2U网，注意力U形网，ResUnet-A，U ^ 2-Net和UNET 3+具有可选ImageNet训练有素骨架。 keras_unet_collection.models包含使用超参数选项配置keras模型的函数。 U-net，U-net ++，Attention U-net和UNET 3+支持预训练的ImageNet主干。 U-net ++，UNET 3+和U ^ 2-Net支持深度监督。 有关其他选项和用例，请参见《 》。 keras_unet_collection.models 名称 参考 unet_2d 网络 vnet_2d V-net（为2-d输入修改） unet_plus_2d U网++ r2_unet_2d R2U网 att

unet网络结构的pytorch版本实现; 为了应用于自己的工程中，与原有的网络结构略有不同。

unet-tf2-main11.rar

高效的Unet-PyTorch 以EfficientNet为编码器的Unet的PyTorch 1.0实现 有用的笔记 由于解码器路径中存在一些舍入问题（不是错误，因此这是一个功能） :smirking_face: ），输入形状应可被32整除。 例如224x224是适合输入图像的尺寸，但225x225不适合。 要求 Python> = 3.6 > = 1.0.0 安装 安装efficientunet-pytorch ： pip install efficientunet-pytorch 用法 1.高效网 例如，说您想要具有5个类的预训练的efficiencynet-b5模型： from efficientunet import * model = EfficientNet . from_name ( 'efficientnet-b5' , n_classes = 5 , pretrained = True