深度学习时代，图像语义分割在FCN出现后大放异彩。本PPT讨论了研究的前沿发展，包括网络进步，后端CRF条件随机场的改进等。适合初学的同学们了解现状。

VOC2012完整数据集，放心下载，可以用于图像分类目标检测、语义分割等，百度云下载链接，很好的分类数据集

本综述将基于深度学习的医学和非医学图像分割解决方案分为六大组:深度架构、基于数据合成、基于损失函数、排序模型、弱监督和多任务方法，并对每一组的贡献进行全面综述。然后，针对每一组，我们分析了每一组的不同，并讨论了当前方法的局限性和未来语义图像分割的研究方向。

这只是对论文的重点标注，不是全文的全部翻译，适合有一定基础的同学。

Semantic-Segmentation语义分割模型在Keras当中的实现 大通知！ 语义分割就要重置了！现在已经重置的有PSPnet。 PSPnet-Keras重制版如下： 源码路径： 视频地址： PSPnet-Pytorch重制版如下： 源码路径： 视频地址： Unet-Keras重制版如下： 源码路径： 视频地址： 目录 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 注意事项 该代码是我早期整理的语义分割代码，尽管可以使用，但是存在许多缺点。大家尽量可以使用重制版的代码，因为重制版的代码里面增加了很多新内容，比如添加了Dice-loss，增加了更多参数的选择，提供了VOC预训练权重等。 在2021年1月28重新上传了该库，给代码添加了非常详细的注释，该库仍然可以作为一个语义分割的入门库进行使用。 在使用前一定要注意根目录与相对目录的选取，这样才能

原文作者：Binh-Son Hua、Minh-Khoi Tran、Sai-Kit Yeung。 文章地址：https://arxiv.org/abs/1712.05245 github项目地址：https://github.com/scenenn/pointwise 在本文中，我们提出了一种用于3D点云的语义分割和目标识别的卷积神经网络。 我们网络的核心是逐点卷积，这是一种新的卷积算子，可以作用于点云的每个点。我们的全卷积网络设计实现起来惊人地简单，在语义分割和目标识别任务方面都可以提供具有竞争力的准确性。

实施不是原始文件。 该项目的目的是开始语义分割并掌握基本过程。 发布FCN32 / 8，SegNet，U-Net谢谢您的支持。 环境 物品 价值 物品 价值 凯拉斯 2.2.4 作业系统 赢10 张量流gpu 1.10 / 1.12 Python 3.6.7 参考 数据： 数据或： 项目计划书 python visualizeDataset.py ：可视示例 python train.py ：执行火车python predict.py预测python predict.py ：执行预测 您可以在项目切换模型中修改参数或克隆历史版本。 关于 FCN32 可视化结果： FCN8 可视化结果： 隔离网 网络

图像处理源码-多尺度空间注意力的语义分割

实时语义分割模型集锦

图像语义分割数据集划分和列表生成，但是这里的验证集和测试集所用的图片一致，可以更改文件59，60行代码处：write_file('predict', images[-eval_num:], labels[-eval_num:])中的eval_num,来解决。