所谓图像分割指的是根据灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区域，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性。 多数的图像分割算法均是基于灰度值的不连续和相似的性质

DenseASPP用于街道场景中的语义分割 介绍 语义图像分割是自动驾驶中基本的街道场景理解任务，其中高分辨率图像中的每个像素都被分类为一组语义标签。 与其他场景不同，自动驾驶场景中的对象呈现出非常大的比例变化，这在必须正确编码多比例信息的意义上对高级特征表示提出了巨大挑战。 为了解决这个问题，引入了无规则卷积[2，3]来生成具有较大接收场的特征，而不牺牲空间分辨率。 建立在原子卷积的基础上，提出了原子空间金字塔池（ASPP）[3]，以使用不同的膨胀率将多个原子卷积的特征连接起来，形成最终的特征表示。 尽管ASPP能够生成多尺度特征，但我们认为尺度轴上的特征分辨率不足以实现自动驾驶场景。 为此，我们提出了密集连接的Atrous空间金字塔池（DenseASPP），该空间以密集的方式连接一组atrous卷积层，以便它生成多尺度特征，不仅覆盖更大的尺度范围，而且还覆盖了比例范围密集，而不会显着

Multi YOLO V5——检测和语义分割 概述 这是我的本科毕业项目，基于 。 这种多任务模型只增加了少量的计算和推理 GPU 内存（约 350MB），并且能够完成对象检测和语义分割。 我的数据集（从 Cityscapes 实例分割标签转移）上的对象检测指标略有改进（与单任务 YOLO 相比），Cityscapes 语义分割指标如下所示。 该存储库近期不会更新（在标记 TomMao-2.0 realse 之后） ，未来版本可能会发布到 。 为了节省我的时间和方便交接，请原谅我下面的文件将用中文写成。 在语义分割部分，我参考了如下代码： 是以增加少量计算和显存为老人，同时完成目标检测和存储分区（1024×512输入约增加350MB，同尺寸增加一个bisenet需要约1.3GB） ，两个单模型独立输入额外的东西）。 (尝试实验数据集)，分割指标模型验证集mIoU 0.73，测

U-Net是一种基于深度学习的图像语义分割方法，尤其在医学图像分割中表现优异。 本课程将手把手地教大家使用labelme图像标注工具制作自己的数据集，生成Mask图像，并使用U-Net训练自己的数据集，从而能开展自己的图像分割应用。 本课程有三个项目实践： (1) Kaggle盐体识别比赛 ：利用U-Net进行Kaggle盐体识别 (2) Pothole语义分割：对汽车行驶场景中的路坑进行标注和语义分割 (3) Kaggle细胞核分割比赛 ：利用U-Net进行Kaggle细胞核分割 本课程使用keras版本的U-Net，在Ubuntu系统上用Jupyter Notebook做项目演示。 包括：数据集标注、数据集格式转换和Mask图像生成、编写U-Net程序文件、训练自己的数据集、测试训练出的网络模型、性能评估。 本课程提供项目的数据集和Python程序文件。

深度学习图像分割经典论文合集，总计18篇左右，包括fcn,unet,pspnet，segnet等经典文献

RandLA-Net - 大规模点云的高效语义分割的Tensorflow实现（CVPR 2020） RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds (CVPR 2020) 这是 RandLA-Net (CVPR2020, Oralpresentation) 的官方实现，这是一种用于大规模 3D 点云语义分割的简单高效的神经架构。 技术细节请参考：RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 胡庆勇、杨博*、谢林海、Stefano Rosa、郭玉兰、王志华、Niki Trigoni、Andrew Markham。 [Paper] [Video] [Blog] (1) Setup 此代码已在 Ubuntu 16.04 上使用 Python 3.5、Tensorflow 1.11、CUDA 9.0 和 cuDNN 7.4.1 进行测试。 克隆仓库 git clone --depth=1 http

对抗学习的半监督语义分割 此回购是以下论文的pytorch实现： ，，刘彦婷，， 英国机器视觉会议（BMVC）的会议记录，2018年。 联系人︰洪志智（whung8 at ucmerced dot edu） 该代码是从pytorch DeepLab实现（ ）大量借用的。 基线模型是DeepLabv2-Resnet101，没有进行多尺度培训和CRF后处理，在VOC2012验证集上的平均IOU为73.6% 。 如果发现对您的研究有用，请引用我们的论文。 @inproceedings{Hung_semiseg_2018, author = {W.-C. Hung and Y.-H. Tsai and Y.-T. Liou and Y.-Y. Lin and M.-H. Yang}, booktitle = {Proceedings of the British Machine

PyTorch中MIT ADE20K数据集上的语义分割这是MIT ADE20K场景解析数据集（http://sceneparsing.csail.mit.edu/）上语义分割模型的PyTorch实现。 ADE20K是PyTorch中MIT ADE20K数据集上最大的开源语义分割。这是MIT ADE20K场景解析数据集（http://sceneparsing.csail.mit.edu/）上语义分割模型的PyTorch实现。 ADE20K是由MIT计算机视觉团队发布的最大的用于语义分割和场景解析的开源数据集。 请通过以下链接在Caffe和Torch7上找到我们的数据集和实施的存储库：https://github.com/CSAILVision/sceneparsing如果您只是想玩我们的

通过train_shapes.ipynb可以在平台jupyter notebook上进行训练，同时也可以在平台jupyter notebook上将文件转换为python文件，中包括ap.map的计算。

具有交叉一致性训练 (CCT) 的半监督语义分割 , 本 repo 包含 CVPR 2020 论文的官方实现：Semi-Supervised Semantic Segmentation with Cross-Consistecy Training，它采用了传统的半监督学习的一致性训练框架进行语义分割，扩展到弱监督学习和在多个域。 强调 (1) 语义分割的一致性训练。 我们观察到，对于语义分割，由于任务的密集性，集群假设更容易在隐藏表示而不是输入上强制执行。 (2) 交叉培训。 我们为半监督语义分割提出了 CCT（Cross-Consistency Training），我们在其中定义了许多新的扰动，并展示了对编码器输出而不是输入执行一致性的有效性。 (3) 使用来自多个域的弱标签和像素级标签。 所提出的方法非常简单灵活，并且可以很容易地扩展到使用来自多个域的图像级标签和像素级标签。 要求