不规则形状、高度重叠、大量粘连的目标分割，耗时比神经网络少很多，更适合工业应用。放了部分代码和实现原理，即可根据原理实现。附上我的结果图。

matlab代码黄色MR脑组织分割 MR脑组织分割是生物医学图像处理中的重要问题。 目标是将图像分为三个组织，即白质（WM），灰质（GM）和脑脊髓液（CSF）。 我们使用具有多模态和邻接约束的LSTM方法进行脑图像分割。 我们从大脑图像生成特征序列，并将其输入经过训练的LSTM / BiLSTM模型中以获得语义标签。 该方法实现了有希望的分割结果以及对噪声的鲁棒性。 纸 谢凯，应雯。 LSTM-MA：一种具有多模态和邻接约束的LSTM方法，用于脑图像分割。 （提交给ICIP 2019） 代码 用于实现我们的方法的Matlab代码：LSTM-MA和BiLSTM-MA。 数据集 ：包含正常脑的MRI模拟量，具有三种模式：T1，T2和PD。 ：包含T1，T1反向恢复和FLAIR序列。 管道 我们建议的细分渠道的说明。 给定多模态切片的输入，遵循两个阶段以获得最终的分割结果。 首先是序列构建阶段，以两种方式生成特征序列，即逐像素约束和超逐像素约束。 其次是分类阶段，将特征序列分别输入LSTM或BiLSTM层，然后再输入完全连接的层和s​​oftmax层。 正常的大脑 在BrainWeb上的三个

PointNet和PointNet ++的Pytorch实现 此是和的实现。 更新 2021/03/27： （1）发布预训练的语义分割模型，其中PointNet ++可以达到53.5％的mIoU。 （2）在log/发布用于分类和零件细分的预训练模型。 2021/03/20：更新分类代码，包括： （1）添加用于训练ModelNet10数据集的代码。 使用--num_category 10设置。 （2）添加仅在CPU上运行的代码。 使用--use_cpu设置。 （3）添加用于离线数据预处理的代码，以加快培训速度。 使用--process_data设置。 （4）添加用于统一采样的训练代码。 使用--use_uniform_sample设置。 2019/11/26： （1）修复了先前代码中的一些错误，并添加了数据增强技巧。 现在仅按1024点分类就可以达到92.8％ ！ （2）

在 Keras 中使用Baseline U-Net 模型和图像增强通过语义分割进行烟雾检测 这个 repo 是的部分实现 此用例的主要目的是检测任何背景中的烟雾。 烟雾的来源、颜色、环境等也可能有变化。我们应该能够从语义上分割烟雾以分析它的各种特征，如颜色、强度、烟雾喷射持续时间（来自视频源）等。 master分支具有U-Net的实现，但是在不同分支中提供了使用另一种实现。 优网 U-Net 是一种卷积神经网络，是德国弗莱堡大学计算机科学系为生物医学图像分割而开发的。 该网络基于全卷积网络，其架构经过修改和扩展，可以使用更少的训练图像并产生更精确的分割。 建筑学 图片来源：德国弗赖堡大学计算机科学系 在 Kaggle Airbus 船舶检测挑战中， 使用这个模型从过滤器尺寸 8 开始，从 768x768 图像检测船舶。 但是，我已将它用于从 Google 搜索获得的“烟雾图像”并将其调

segmentation_models：具有预训练主干的细分模型。 Keras和TensorFlow Keras

什么是pyRANSAC-3D？ pyRANSAC-3D是随机样本共识（RANSAC）方法的开源实现。 它适合点云中的原始形状（例如平面，长方体和圆柱体）以适应多种应用：3D猛击，3D重建，对象跟踪等。 特征： 安装 要求：脾气暴躁 用安装： pip3 install pyransac3d 看一看： 示例1-平面RANSAC import pyransac3d as pyrsc points = load_points (.) # Load your point cloud as a numpy array (N, 3) plane1 = pyrsc . Plane () best_eq , best_inliers = plane1 . fit ( points , 0.01 ) 平面方程Ax + By + Cz + D中的结果： [1, 0.5, 2, 0] 1、0.5、2、0

通过框架现场学习进行多边形建筑物分割 我们将帧场输出添加到图像分割神经网络，以提高分割质量，并为后续的多边形化步骤提供结构信息。 图1：在测试图像上输出的其他帧场的特写镜头。 图2：给定俯视图像，模型将输出建筑物的边缘蒙版，内部蒙版和框架字段。 总损耗包括使蒙版和帧场与地面真实数据对齐的项，以及使帧场的平滑度和输出之间的一致性得到增强的正则化项。 图3：给定分类图和框架字段作为输入，我们使用主动骨架模型（ASM）优化骨架折线以使其与框架字段对齐，并使用框架字段检测角点，从而简化了非角顶点。 该存储库包含该论文的官方代码： 通过框架现场学习进行多边形建筑物分割（ ，（ ，（ ，（ 预印[，] 其简短版本已发布为： 通过框架现场学习进行正规的建筑物分割（ ，德米特里·斯米尔诺夫（ Dmitriy Smirnov） ，贾斯汀·所罗门（ Justin Solomon） ，

用于目标检测的注意力导向上下文特征金字塔网络 该存储库在的基础上重新实现 。 请按照上的说明安装和使用此存储库。 此仓库发布了不带AM模块的，但与纸上pytorch的实现相比，我们可以获得更高的性能。 同样，由于有检测器的强大功能，此回购协议在训练和推理中速度更快。 CEM的实现非常简单，少于200行代码，但是它可以将FPN（resnet50）中的AP性能提高近3％ 。 交流FPN AC-FPN可以轻松插入现有的基于FPN的模型中并提高性能。 物体检测的可视化。 两种型号均基于基于COCO minival的ResNet-50。 使用（w）和不使用（w / o）我们的基于ResNet-50的模块在Mask CO-minival上进行Mask R-CNN的结果。 更多细节。 标杆管理 由于建议的体系结构，我们在大多数基于FPN的方法（尤其是大型对象）上均具有更好的性能。

基于kaggle气胸X光比赛原始数据，对RLE气胸标注标签转储mask图和json标注可读文件，JPEG胸片图像。公开代码基于python，可用于后续的分类、检测、分割等等任务数据输入

深脑节 此回购利用2-D和3-D全卷积神经网络（CNN）的集成，从多模态磁共振图像（MRI）分割脑肿瘤及其成分。 分段网络中使用的密集连接模式可以有效地重用较少数量的网络参数来使用功能。 在BraTS验证数据上，分割网络获得的完整肿瘤，肿瘤核心和活动肿瘤骰子分别为0.89、0.76、0.76。 特征 脑肿瘤分割 脑面罩生成SkullStripping（当前使用HD-BET和ANTs） 放射性特征 核心地位 dcm和nifty支持（将dcm转换为nifty并起作用） 基于UI的推理框架 微调 强化 逐渐解冻 自定义netwrok培训框架 全脑分割 安装 基于PyPi的安装： 所需的Python版本：3.5 安装： pip install DeepBrainSeg 或者 git clone https://github.com/koriavinash1/DeepB