RandLA-Net-pytorch 该存储库包含的实现。 我们现在仅支持SemanticKITTI数据集。 （欢迎大家共同发展，提高公关意识） 我们的模型几乎与原始实现一样好。 （验证集：我们的52.9％的mIoU与原始的53.1％） 我们将pretrain-model放置在目录中。 表现 验证集结果（seq 08） 与原始实施比较 模型 密欧 原始Tensorflow 0.531 我们的Pytorch实施 0.529 每课时 密欧 车 自行车 摩托车 卡车 其他车辆 人 骑自行车的人 电单车司机 路 停车处 人行道 其他地面 建造 栅栏 植被 树干 地形 极 交通标志 52.9 0.919 0.122 0.290 0.660 0.444 0.515 0.676 0.000 0.912 0.421 0.759 0.001 0.878 0.354

来自Semantic3D项目的带标签的点云数据集。该数据集具有数十亿个XYZ-RGB点，并将它们标记为7类。

高效的Unet-PyTorch 以EfficientNet为编码器的Unet的PyTorch 1.0实现 有用的笔记 由于解码器路径中存在一些舍入问题（不是错误，因此这是一个功能） :smirking_face: ），输入形状应可被32整除。 例如224x224是适合输入图像的尺寸，但225x225不适合。 要求 Python> = 3.6 > = 1.0.0 安装 安装efficientunet-pytorch ： pip install efficientunet-pytorch 用法 1.高效网 例如，说您想要具有5个类的预训练的efficiencynet-b5模型： from efficientunet import * model = EfficientNet . from_name ( 'efficientnet-b5' , n_classes = 5 , pretrained = True

用于语义图像分割的CRF-RNN-PyTorch版本 现场演示： ： Caffe版本： ： Tensorflow / Keras版本： ：//github.com/sadeepj/crfasrnn_keras 该存储库包含“ CRF-RNN”语义图像分割方法的官方PyTorch实现，该方法在ICCV 2015论文《。 该项目的在2015 ICCV上获得了最佳演示奖。此PyTorch代码的结果与上述基于Caffe和Tensorflow / Keras的版本相同。 如果您使用此代码/模型进行研究，请引用以下论文： @inproceedings{crfasrnn_ICCV2015, author = {Shuai Zheng and Sadeep Jayasumana and Bernardino Romera-Paredes and Vibhav Vineet and

matlab图片叠加的代码image_segmentation 并检测各种规模的裂缝。 基本数据包括在国家航空大学（乌克兰）进行的金属样品疲劳测试过程中拍摄的图像。 在疲劳测试期间，以指定的时间间隔捕获标本。 每次试样测试的结果是一排图像，裂纹逐渐增大。 每个标本的图像都经过了预处理，从而使裂纹在每个图像行的动态变化的基础上突出显示。 初始图像和预处理后图像的示例（放大到裂纹区域） 在对来自不同样本的图像进行预处理之后，将测试合并到单个数据集中。 对于每个图像，遮罩都是使用matlab代码创建的，因为它具有在图像上绘制的简单功能。 使用创建的数据集，对u-net模型进行了训练。 损失功能专门针对当前任务进行了修改。 由于裂缝区域相对于图像大小（1080x768）小，因此遮罩的0像素比1像素多得多。 可以使用通常的损失类别加权，但是这种方法可以训练模型，而忽略小裂缝。 因此，减肥是专门针对每个图像示例的（训练前叉大小选择为等于1）。 然后，在每次训练迭代中，算法将训练模板的0和1像素的数量进行比较，并根据类别与类别的比率调整损失权重。 下方显示了来自验证图像的模型输出结果。 输入图像有裂

水平集演化（LSE）是众所周知的轮廓提取（确定对象的边界）和对象分割的方法。 LSE 的主要障碍是重新初始化步骤。 必须执行此步骤以消除对象（轮廓）提取的边界的不规则性。 基本上，水平集必须根据一些基于距离的标准定期重新初始化。 事实上，我们如何实现重新初始化步骤并不是理论上解决的问题。 在工程实践中，结果可能存在大量错误。 在本文中，研究人员提出了 LSE 方法的新变体，它通过添加新的术语距离正则化来本质上保持水平集函数而不是重新初始化步骤。 这就是为什么这种新方法的名称是距离正则化 LSE (DRLSE)。

在该数据集中，有58个H＆E染色的组织病理学图像用于乳腺癌细胞检测，并提供了相关的地面真实数据。 Breast Cancer Cell Segmentation_datasets.txt Breast Cancer Cell Segmentation_datasets.zip

关于Adaptive Prototype Learning and Allocation for Few-Shot Segmentation

Coupled Generative Adversarial Network for Continuous Fine-grained Action Segmentation

用Opencv对图像进行切割，响应鼠标，可以切任意的多边形。