RGB遮罩2灰色 根据其类别索引将用于语义分割的RGB掩码转换为灰度。 目前仅支持.PNG。 用法 ./RGBMask2Gray -ImagePath ../demo/images -ClassRGBPath ../demo/test.txt 转换后的图像将保存在-ImagePath中 相依性 mg argparse

3D点云语义分割很少 由创建 介绍 该存储库包含由Na Na Zhao，Tat-Seng Chua和Gim Hee Lee撰写的CVPR 2021论文“”的PyTorch实现。 对点云语义分割的许多现有方法都进行了完全监督。 这些完全受监督的方法严重依赖于大量标记的训练数据，这些数据很难获得，并且不能在训练后泛化为看不见的课程。 为了减轻这些局限性，我们提出了一种新颖的关注感知的多原型转导性少击点云语义分割方法，以在给定一些标记示例的情况下对新类进行分割。 具体来说，每个类别都由多个原型代表，以对3D点云的复杂数据分布进行建模。 随后，我们采用转导标签传播方法来利用标记的多原型与未标记的查询点之间以及未标记的查询点之间的亲和力。 此外，我们设计了一个可引起注意的多层特征学习网络，以学习可捕获点之间语义相关性和几何相关性的判别性特征。 我们的方法在两个基准数据集上的不同的短镜头点云分割设置

语义分割 介绍 该项目旨在使用完全卷积网络（FCN）标记图像的像素（也称为语义分割）。 它使用VGG-16实现转移学习并提取layer7的输出，然后使用1x1卷积，随后是几个转置的卷积层，并与跳过连接相结合以进行升采样。 网络架构如下： 设置 显卡 请确保您已启用Tensorflow GPU。 如果您的系统上没有GPU，则可以使用AWS或其他云计算平台。 该项目使用 。 框架和包装 确保已安装以下设备： 数据集 从下载。 将数据集提取到data文件夹中。 这将创建文件夹data_semantics其中包含所有培训的测试图像。 标签格式 名称ID类别'未标记'，0，'无效' '自我车辆'，1，'无效' '校正边界'，2，'无效' '超出投资回报率'，3，'无效' '静态'，4，'无效' '动态'，5，'无效' 'ground'，6，'void' '道路'，7，'地面' 人行道，8，地面'停车

针对语义分割数据集的rgb图（24位）和索引图（8位）之间的转换，使用matlab实现，具体见：https://blog.csdn.net/Return_0_/article/details/97623422

深度双分辨率网络，可实时，准确地对道路场景进行语义分割 介绍 这是的非官方代码。 在单个2080Ti GPU上，DDRNet-23-slim在109 FPS的Cityscapes测试装置上可产生77.4％的mIoU，从而在城市景观和camvid的精度和速度之间实现了最先进的权衡，而无需使用推理加速和额外的数据！在CamVid测试装置上以230 FPS时有74.4％的mIoU。 该代码主要来自和，感谢他们的工作。 要求 在这里列出了实验中使用的软件和硬件 pytorch == 1.7.0 3080 * 2 cuda == 11.1 快速开始 0.数据准备 您需要下载数据集。 并重命名cityscapes文件夹，然后将数据放在data文件夹下。 └── data ├── cityscapes └── list 1.预训练模型 从imagenet上下载预训练模型或从那里下载分割模

Unet-of-remote-sensing-image 针对高分辨率遥感卫星进行地物识别，主要有15类的地物类型，包括各种农作物，工业用地，河流，水源，建筑物等。利用Unet结构进行语义分割，得到各个地物类型的场景分割图像，Unet结构和官方论文不太一样，自己根据理解进行了一些微调，改变了输出通道的数量，和上采样层后通道数量，每个巻积层后面加了batchNromalize层，正确率有一定的提高，最后finetune的15类分割准确率达到82%。 数据集：主要采用的landsat多通道图像，根据美国官方网站提供的地物标签制作卫星图像的groundTruth,得到23000多张训练图像，每张224×224 美国卫星数据官网： 代码：基于Unet的网络结构，参考keras代码修改为tensorflow版本，其中process.py是制作训练数据用的，将一张7000×8000的大卫星图片根据经纬

python所写的语义分割代码，采用Pytorch框架，代码完整，完美运行。

Pascal-Person-Part：人体解析语义分割数据集，只有6种不同的语义标签，与人相关的也较粗糙，图像总数3553。

Multi-Human Parsing（MHP）：多人人体解析数据集，一般2-16人每张图像，图像总数4980，分割种类19。

USSS_ICCV19 ICCV 2019接受通用半监督语义分割代码。 全文见 。 要求 Python> = 2.6 PyTorch> = 1.0.0 ImageNet预训练的模型是从的存储库下载的。 数据集 城市景观： ： IDD： ： 怎么跑 python segment.py --basedir --lr 0.001 --num-epochs 200 --batch-size 8 --savedir --datasets [ ..] --num-samples --alpha 0 --beta 0 --resnet --model drnet 致谢 大量代码是从Dilated Residual Networks（ ）和IDD Dataset（ ）的官方代码版本中大量借用的。