细粒度的细分网络：自我监督的细分以改善长期的视觉定位 这是在“细粒度细分网络：自我监督的细分以改善长期视觉本地化”（ ）中发布的工作的实现。 资源 本文使用的数据集发布在visuallocalization.net 训练有素的模型 安装 提供了一个Dockerfile，可使用此文件构建Docker映像，或参考文件中列出的要求。 此外，还提供了requirements.txt。 用法 下载城市景观和枫叶远景 使用/utils/convert_vistas_to_cityscapes.py为Vistas图像创建城市景观类注释 下载对应数据集 下载与对应数据集关联的图像（数据集自述文件中的说明） 创建一个global_otps.json并设置路径（请参阅global_opts_example.json） 从上面的训练有素的模型链接中获取基本模型，将“基本网络”文件夹放置在global_o

使用K均值的客户细分 使用K-Means聚类算法根据新近度，频率和货币价值（RFM）指标对客户进行细分

使用Katz投影将点云投影到2D虚拟图像中。然后我们使用预先训练的卷积神经网络对图像进行语义分割。为了获得语义分割的点云，我们将分数从分段投影回点云。我们的方法是在semantic3D数据集上进行评估的。我们发现我们的方法与最先进的技术相当，没有对Semantic3D数据集进行任何微调。

matlab图像分割肿瘤代码使用数字图像处理技术的脑肿瘤分割 该存储库包括用于脑肿瘤分割及其面积计算的源代码。 还提供了测试图像数据库。 下载以下文件。 源代码2.m database.rar 学习成果！ 读取图像 使用大津法的阈值 区域道具 形态运算 图像中质量部分的密度和面积计算 肿瘤分割 抽象的 脑瘤是一种致命的疾病，如果没有MRI无疑是无法确定的。 在这项事业中，试图利用MATLAB重演从MRI图像中识别出患者的大脑是否患有肿瘤。 为了准备MRI图像上的形态学活动，将其调整大小，并使用极限自尊图像将其物理更改为高对比度图像。 该基本通道可能是肿瘤附近的区域。 在此半准备的图片上应用了形态学任务，并获取了可想象区域的强度和区域数据。 从包含肿瘤的各种MRI图像的可测量正常值，可以解析出这两个字符的基本估计值。 那时，它被用来传达最后的定位结果。 尽管这种娱乐程序经常可以带来正确的结果，但是当肿瘤的大小过小或肿瘤为空时它却忽略了执行。 任务的更大目标是从特定人的不同边缘拍摄的MRI图像中构建肿瘤的2D图片信息的信息库，并对其进行检查以引起人们对肿瘤细心的3D区域的注意。 为了满足此

用于语义分割的高分辨率网络（HRNets） 分行 这是HRNet + OCR的实现。 可以找到PyTroch 1.1版本。 PyTroch 0.4.1版本可。 消息 [2021/02/16]基于预训练权重，我们在Cityscapes val上达到83.22％ ，在PASCAL-Context val（新SOTA上）达到59.62％ ，在COCO-Stuff val（新SOTA上）达到45.20％，在58.21％上达到LIP值和ADE20K值的47.98％ 。 请查看了解更多详细信息。 [2020/08/16] 已支持我们的HRNet + OCR。 [2020/07/20]来自AInnovation的研究人员通过使用半监督学习方案训练我们的HRNet + OCR在上获得了排名第一。 更多详细信息，请参见他们的。 [2020/07/09]我们的论文被ECCV 2020：。 值得注意的

肺癌检测与分割 运行Main.m并选择图像的路径。

U-Net进行脑部分割 PyTorch中的U-Net实现基于深度学习分割算法进行脑部MRI FLAIR异常分割，该算法用于。 该存储库是中官方MATLAB / Keras实现的全Python端口。 提供了经过训练的模型的权重，这些权重可用于对其他数据集进行推断或微调。 如果您使用此存储库中共享的代码或权重，请考虑引用： @article{buda2019association, title={Association of genomic subtypes of lower-grade gliomas with shape features automatically extracted by a deep learning algorithm}, author={Buda, Mateusz and Saha, Ashirbani and Mazurowski, Maciej A

快速，准确的越南语分词器 如所述，RDRsegmenter的实现： @InProceedings{NguyenNVDJ2018, author={Dat Quoc Nguyen and Dai Quoc Nguyen and Thanh Vu and Mark Dras and Mark Johnson}, title={{A Fast and Accurate Vietnamese Word Segmenter}}, booktitle={Proceedings of the 11th International Conference on Language Resources and Evaluation (LREC 2018)}, pages={2582--2587}, year={2018} } 每当将RDRsegmenter用于产生已发布的结果或将其合并到其他软件中时，请引用

焦斑肝和肝肿瘤分割 在该项目中，级联的U-net体系结构用于分割肝脏和肝脏肿瘤。 这是一项正在进行的工作，此回购中介绍了基本网络。 要求 [pytorch]（ ） [opencv]（ ） 数据集 数据集来自LITS挑战（ ）

Android NDK上的GPU加速TensorFlow Lite应用程序。 在Android NDK上运行并测量TensorFlow Lite GPU委托的性能。 1.应用 轻巧的人脸检测。 更高精确度的人脸检测。 检测面部并估计其年龄和性别 基于预训练模型 使用Moilenet进行图像分类。 物体检测 使用MobileNet SSD进行对象检测。 头发分割 头发分割和重新着色。 3D姿势 从单个RGB图像进行3D姿势估计。 虹膜检测 通过检测虹膜来估计眼睛位置。 姿势网 姿势估计。 深度估计（DenseDepth） 从单个图像进行深度估计。 基于https://github.com/ialhashim/DenseDepth的预训练模型 语义分割 为输入图像中的每个像素分配语义标签。 动漫自拍照 生成动漫风格的人脸图像。 基于https://githu