image_color_segmentation-gmm：实现的高斯混合模型（GMM）用于图像颜色分割

甲状腺结节分割 该存储库包含用于在超声图像中分割甲状腺结节的代码和模型。 使用的数据集： 安装 主要代码以名为“ tnseg”的Python包编写。 将此存储库克隆到您的计算机后，请使用以下命令安装 cd cloned/path pip install . 然后，您应该能够在Python中使用该软件包： import matplotlib . pyplot as plt from tnseg import dataset , models , loss , opts , evaluate 运行模型 用于模型训练和评估的脚本位于/ scripts /下。 python -u scripts/train.py config_files/defaults.config 运行模型时，输出将保存在“ outputs /”文件夹中，并保存在以实验名称命名的文件夹中（应在配置文件中指定）。

图像首先转换为 CIE lab 颜色空间，并生成 3d 颜色直方图。 Hill-climbing 算法用于在实验室直方图中找到局部最大值，用于自动确定聚类数 K 以及 K-means 的初始种子。

对比对象蒙版提案的无监督语义分割 此回购包含我们论文的Pytorch实现： ， ， 和 。 :trophy: SOTA用于无监督的语义分割。 有关更多信息，请查看基准的网站。 内容 介绍 在没有监督的情况下，能够学习图像的密集语义表示是计算机视觉中的重要问题。 然而，尽管它具有重要意义，但这个问题仍未得到很好的探索，只有少数例外考虑了在具有狭窄视觉域的小规模数据集上的无监督语义分割。 我们首次尝试解决传统上用于监督案例的数据集（例如PASCAL VOC）上的问题。 为了实现这一点，我们引入了一种新颖的两步框架，该框架在对比优化目标中采用预定的先验知识来学习像素嵌入。 此外，我们讨论了具有包含有关对象或其部分信息的先验的重要性，并讨论了以无监督方式获得此类先验的几种可能性。 特别是，我们在将像素组合在一起之前采用中级视觉效果，并对比所获得的对象蒙版Kong眼。 因此，我们将方法命名为MaskCon

PyTorch上的语义分割 该项目旨在为使用PyTorch的语义细分模型提供简洁，易用，可修改的参考实现。 安装 # semantic-segmentation-pytorch dependencies pip install ninja tqdm # follow PyTorch installation in https://pytorch.org/get-started/locally/ conda install pytorch torchvision -c pytorch # install PyTorch Segmentation git clone https://github.com/Tramac/awesome-semantic-segmentation-pytorch.git # the following will install the lib with symb

该数据集包含对糖尿病性黄斑水肿的光学相干断层扫描图像进行分割的图像。数据集载自文章：S. J. Chiu, M. J. Allingham, P. S. Mettu, S. W. Cousins, J. A. Izatt, S. Farsiu, "Kernel regression based segmentation of optical coherence tomography images with diabetic macular edema", ( BIOMEDICAL OPTICS EXPRESS), 6(4), pp. 1172-1194, April, 2015 Segmentation of OCT images (DME)_datasets.txt

英文| [简体中文]（ ） 表面缺陷检测：数据集和论文 :horse: :chart_increasing:在表面缺陷研究领域不断总结开源数据集非常重要。收集并汇编了2017年以来的重要重要论文，可以在 文件夹。 :whale: 数据集下载： | 介绍 目前，基于机器视觉的表面缺陷设备已在3C，汽车，家用电器，机械制造，半导体和电子，化学，制药，航空航天，轻工等多个行业的各个领域中广泛取代了人工视觉检查。基于机器视觉的传统表面缺陷检测方法通常使用常规图像处理算法或人为设计的特征以及分类器。一般而言，成像方案通常是通过使用被检查表面或缺陷的不同属性来设计的。合理的成像方案有助于获得照明均匀的图像，并清晰地反映物体的表面缺陷。近年来，许多基于深度学习的缺陷检测方法也已广泛用于各种工业场景中。 与计算机视觉中清晰的分类，检测和分割任务相比，缺陷检测的要求非常普遍。实际上，它的要求可以分为三个不同的级别：“缺陷是什么”（分类），“缺陷在哪里”（

圆柱和非对称3D卷积网络用于LiDAR分割 我们的工作“用于LiDAR分割的圆柱和非对称3D卷积网络”的源代码 消息 2021-03 [NEW :fire: ] Cylinder3D被接受为CVPR 2021的口头报告 2021-01 [NEW :fire: ] Cylinder3D在SemanticKITTI多扫描语义分割的排行榜中排名第一 2020-12 [NEW :fire: ] Cylinder3D实现了激光雷达nuScenes分割的挑战的第2位，用米欧= 0.779，fwIoU = 0.899和FPS = 10Hz的。 2020-12我们发布了具有nuScenes数据集支持的Cylinder3D新版本。 2020-11我们初步发布了Cylinder3D--v0.1，支持在SemanticKITTI和nuScenes上进行LiDAR语义分割。 2020-11我们的工作实现了SemanticKITT

JSEG-CUDA-分段 CUDA中JSEG图像分割的部分实现 CS 610 - GPU 编程 Patrick Carlson JSEG 图像分割 - 最终项目 11/27/10 要求： CUDA（在 gpu1.cs.iastate.edu 上） OpenCV（在 gpu1.cs.iastate.edu 上） CMake >= 2.8.1（在 gpu1.cs.iastate.edu 上） 编译： 我使用 CMake 来生成 makefile。 感谢 Ryan 帮助我解决这个问题。 我还使用了他的 cmake-modules 来帮助寻找 OpenCV。 他的所有文件都在“cmake”文件夹中。 构建： cd JSEG mkdir "build" cd build ccmake .. 指定 NVIDIA CUDA SDK 的位置以及它要求的任何其他内容。 然后配置并假设没有错误生成

本代码是Matlab函数，可提供给定信号x [n]的成帧（分段）。 此外，可以对帧（段）进行后处理（例如，用于特征提取）。 函数的输出是： 1) 一个矩阵，其中信号帧与时间跨列，索引跨行； 2) 时间向量。 为了阐明该功能的使用，给出了一个例子。 为了方便起见，在函数的开头给出了输入和输出参数。 该代码基于以下内容中描述的理论： [1] H.日沃米罗夫。 关于 STFT 分析和 ISTFT 合成例程的开发及其实际实现。 TEM 期刊，ISSN：2217-8309，DOI：10.18421/TEM81-07，卷。 8，第 1 期，第 56-64 页，2019 年 2 月。（ http://www.temjournal.com/content/81/TEMJournalFebruary2019_56_64.pdf ）