基于U-Net模型, 提出了一个全卷积网络(FCN)模型, 用于高分辨率遥感图像语义分割, 其中数据预处理采用了数据标准化和数据增强, 模型训练过程采用Adam优化器, 模型性能评估采用平均Jaccard指数。为提高小类预测的准确率, 模型中采用了加权交叉熵损失函数和自适应阈值方法。在DSTL数据集上进行了实验, 结果表明所提方法将预测结果的平均Jaccard指数从0.611提升到0.636, 可实现对高分辨率遥感图像端到端的精确分类。

语义分割是计算机视觉中的重大挑战之一。 最近，深度卷积神经网络（DCNN）在大多数计算机视觉任务中都取得了巨大的成功。 但是，就语义分割而言，DCNN方法仍然难以充分利用上下文信息并确定对象的精细边界。 在本文中，我们提出了一种上下文感知网络（CNet），该网络利用健壮的上下文信息来改善分割结果。 CNet具有两个重要组成部分：1）特征收集模块（FCM），其构造为通过不同的接受域提取低级上下文特征，包括纹理，布局，边界，局部和全局关系，以补充高级特征学习，以及2）名为ResGate的新颖层，开发该层是为了从FCM中选择健壮的上下文特征。 这两个组合的组件可以彻底探索上下文信息，以提高边界分割的准确性。 我们在流行的PASCAL VOC2012数据集上评估了所提出的方法，并与相关方法相比获得了有希望的性能，特别是在相似对象或复杂场景中的对象的情况下。

CamVid数据集包括700多张精准标注的图片用于强监督学习，可分为训练集一、验证集、测试集。同时，在CamVd数据集中通常使用11种常用的类别来进行分割精度的评估，分别为:道路(Road)、交通标志(Symbol)、汽车(Car)、天空(Sky)、行人道(Sidewalk)、电线杆(Pole)、围墙(Fence)、行人(Pedestrian)、建筑物(Building)、自行车(Bicyclist) 、树木(Tree)。注意背景是0，所以这里给类别的时候是给12，而不是11

ubuntu16.04 Anaconda 环境 labelme 安装与使用 不同label指定不同颜色 1. 打标签 2. 修改 json_to_dataset.py 这个文件在解析.json文件的时候会用到 我的路径为：/home/sj/anaconda3/envs/labelme/lib/python3.6/site-packages/labelme/cli 也有可能在.conda文件夹里 找不到可以搜一下文件名 # 添加指定标签对应的label_value label_name_to_value = {'_background_': 0, 'eye' : 1, 'mout

兄弟们好呀，这里是肆十二，这转眼间寒假就要过完了，相信大家的毕设也要准备动手了吧，作为一名大作业区的UP主，也该蹭波热度了，之前关于图像分类和目标检测我们都出了相应的教程，所以这期内容我们搞波新的，我们用Unet来做医学图像分割。我们将会以皮肤病的数据作为示范，训练一个皮肤病分割的模型出来，用户输入图像，模型可以自动分割去皮肤病的区域和正常的区域。

本文主要利用U-Net网络结构实现了多类的语义分割，并展示了部分测试效果，希望对你有用！

实现了json文件批量转换，修改了类别，可自主修改labelme类别。 希望大家能多多采用，多多支持。

效果参考 https://blog.csdn.net/qq_26696715/article/details/105992567

有用的学习资料，包括目标检测工程文档，语义分割工程文档，爬虫代码，等

彩色图，带有语义分割标注信息。