都是我自己在知网上下载的语义分割论文，特别适合语义分割的入门学习，可以了解语义分割的训练与检测流程。

语义分割经典论文翻译1：DFANet:Deep Feature Aggregation for Real-Time Semantic Segmentation(DFANet翻译)-附件资源

动态路由 该项目为PyTorch上的“”（ CVPR2020 Oral ）提供了一个实现。由于本文中的实验是使用内部框架进行的，因此该项目在dl_lib上重新实现了这些实验，并在下面报告了详细的比较。 dl_lib中的某些代码部分基于 。 要求 Python> = 3.6 python3 --version PyTorch> = 1.3 pip3 install torch torchvision OpenCVpip3 install opencv-python GCC> = 4.9 gcc --version 安装 确保编译时至少获得一个gpu。跑： git clone https://github.com/yanwei-li/DynamicRouting.git cd DynamicRouting sudo python3 setup.py build develop 用

给大家分享一套课程——Pytorch生物医学视觉深度学习课程（图像分类+语义分割+目标检测），共26章，提供课程配套的全部代码+课件+数据下载。包括图像分类，语义分割，目标检测三大领域，共7个完整项目。

unet_semantic_segmentation 在InteractiveSegmentation数据集（PyTorch）上使用U-Net模型进行语义分割

【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世界的特性”（Trucco＆Verri，1998）“基于感知图像做出对客观

FDA：用于语义分割的傅里叶域自适应。 这是2020年CVPR发布的论文的Pytorch实施。 使用傅里叶变换，可以通过样式转换轻松调整域。 FDA不需要深入的网络来进行样式转换，也不需要任何对抗培训。下面是建议的傅里叶域自适应方法的示意图： 步骤1：将FFT应用于源图像和目标图像。 步骤2：将源幅度的低频部分替换为目标幅度的低频部分。 步骤3：将逆FFT应用于修改后的源频谱。 用法 FDA演示 python3 FDA_demo.py FDA用于域适应的一个例子。 （来源：GTA5，目标：CityScapes，β为0.01） 使用FDA的Sim2Real Adaptation（单个beta） python3 train.py --snapshot-dir ='.. / checkpoints / FDA'--init-weights ='.. / checkpoints / FDA /

基于segnet模型的对cityscapes数据集的语义分割代码实现

随着自动驾驶及虚拟现实技术等领域的发展，图像语义分割方法受到越来越多的计算机视觉和机器学习研究人员的关注。首先介绍了图像语义分割领域的常用术语以及需要了解的背景概念，并介绍语义分割问题中几种经典的深度学习算法，如全卷积神经网络(FCN)、Deeplab等。最后针对当前图像语义分割算法的应用，总结展望未来研究方向。

能较好实现图形图像的语义分割，对进行图形图像处理的初学者有较好的帮助