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

介绍 我们使用提出的DualGAN架构对脑肿瘤扫描进行无监督的图像分割。 DualGAN的架构 数据集 使用的数据集可收集本的作者 先决条件 Python（2.7或更高版本） 麻木 科学的 NVIDIA GPU + CUDA 8.0 + CuDNN v5.1 TensorFlow 1.0或更高版本 MATLAB（用于初始图像处理和计算DICE分数） 脚步 准备图像： Run the prepareimgs.m MATLAB file. Original images (domain A) will be generated in folder /datasets/med-image/train/A from the .mat files. Segmented images (domain B) with highlighted tumor regions will be gener

Panoptic-DeepLab（CVPR 2020） Panoptic-DeepLab是最先进的自下而上的全景分割方法，其目的是为输入图像中的每个像素分配语义标签（例如人，狗，猫等）实例标签（例如ID为1、2、3等）到属于事物类别的像素。 这是我们基于Detectron2的CVPR2020论文的PyTorch重新实现： 。现在，此仓库中还支持使用DeepLabV3和DeepLabV3 +的细分模型！ 消息 [2021/01/25]在COCO实验的旧配置文件中发现了一个错误（对于COCO，需要将MAX_SIZE_TRAIN从640更改为960）。现在，我们还复制了COCO的结果（35.5 PQ）！ [2020/12/17]支持COCO数据集！ [2020/12/11]在Panoptic-DeepLab的Detectron2版本中支持DepthwiseSeparableConv2d。现

EchoNet-Dynamic： 可解释的AI用于逐次跳动的心脏功能评估 EchoNet-Dynamic是一种端到端的逐点深度学习模型，用于 左心室的语义分割 通过整个视频或子采样片段预测射血分数，以及 评估射血分数降低的心肌病。 有关更多详细信息，请参见随附的论文， David Ouyang，Bryan He，Amirata Ghorbani，Neal Yuan，Joseph Ebinger，Curt P.Langlotz，Paul A.Heidenreich，Robert A.Harrington，David H.Liang，Euan A.Ashley和James Y.Zou。 自然，2020年3月25日 数据集 我们共享一组已确定身份的10,030张超声心动图图像，这些图像用于训练EchoNet-Dynamic。 使用OpenCV和pydicom对这些图像进行预处理，包括取消识别

DGCNN.pytorch 此仓库是用于点云学习的动态图CNN的PyTorch实现（DGCNN） （ ）。我们的代码框架是从借用的。 请注意，DGCNN论文中用于分类的网络结构（图3）与该论文第4.1节中的相应描述不一致。 DGCNN的作者采用第4.1节中的分类网络设置，而不是图3。我们使用PS修复了图3中的错误，并在下面给出了修改后的图。 提示：点云实验的结果通常比2D图像面临更大的随机性。我们建议您多次运行实验并选择最佳结果。 要求 Python 3.7 PyTorch 1.2 CUDA 10.0 包装：glob，h5py，sklearn 内容 点云分类 运行训练脚本： 1024点 python main_cls.py --exp_name=cls_1024 --num_points=1024 --k=20 2048点 python main_cls.py --exp_name

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

kaggle-Ultrasound_Nerve_Segmentation 原始数据都放在上层文件夹：../../train/或者../../test/，生成的数据都放在./genic_data/文件夹 文件名以分类和训练开头的是模型训练主文件。run_length_encode.py文件是对图像进行编码的文件。 模型如果训练到基本稳定，效果应该在该竞赛Leaderboard的top10％左右。

脑病变分割 3D MRI病灶分割

张量投票tensor voting，算法理论详述，入门必备资料

这是一个框架，可针对经典基准运行用于点云分析任务的通用深度学习模型。 它在很大程度上依赖于和 。 该框架允许以最少的工作量和良好的可重复性构建精简而又复杂的模型。 它还提供了高级API，以使Pointcloud上的深度学习民主化。 有关最新网络的框架功能和基准的概述，请参见3DV上的。 目录 总览 要求 CUDA 10或更高版本（如果需要GPU版本） Python 3.7或更高版本+标头（python-dev） PyTorch 1.5或更高版本（1.4和1.3.1也应正常工作，但没有得到积极支持） 稀疏卷积后端（可选），请参阅以获取安装说明 与安装 pip install torch