ISBI Challenge: Segmentation of neuronal structures in EM stacks 训练数据有30张，分辨率为512x512，这些图片是果蝇的电镜图。

语义分割经典论文翻译1：DFANet:Deep Feature Aggregation for Real-Time Semantic Segmentation(DFANet翻译)-附件资源

Learning Video Object Segmentation from Static Images

Moving Object Detection and Segmentation using Background Subtraction by Kalman Filter

卷积神经网络可视化 该存储库包含许多在PyTorch中实现的卷积神经网络可视化技术。 注意：我删除了cv2依赖性并将存储库移至PIL。 有些事情可能会坏掉（尽管我测试了所有方法），如果在某些情况下无法解决问题，可以提出问题，我将不胜感激。 注意：此存储库中的代码已使用0.4.1的割炬进行了测试，某些功能可能无法在更高版本中使用。 尽管应该花很多时间才能使它工作，但是由于我仍在使用0.4.1，因此我目前没有计划使该存储库中的代码与最新版本兼容。 实施技术 [1] [4] [3]（[2]的推广） [3] [15]（[2]的无梯度泛化） [8] [9] [5] [10] [4] [14] [12] [13] 我提出以下对抗性例如生成技术从敌对的东西分开的可视化。 - Fast Gradient Sign, Untargeted [11] - Fast Gradien

文章目录1 摘要2 亮点2.1 解码器结构2.1.1 反池化层2.1.2 反卷积层2.1.3 反池化和反卷积结合2.2 网络整体结构3 部分效果3.1 FCN和DeconvNet的对比3.2 各个网络效果对比4 结论5 参考文献 1 摘要 针对单纯的FCN网络存在忽略小物体、分解大物体的问题，当时通常地做法是使用CRF做后处理进行对分割结果进行调整。而本文提出了DeconvNet，该网络可以拆解成反卷积层和反池化层，可以很好地解决上面FCN出现的问题并完成语义分割任务。作者最后发现DeconvNet和FCN能够非常兼容地进行合并，因此作者最后将FCN和DeconvNet结合能产生更好地效果。

Latent Low-Rank Representation for Subspace Segmentation and Feature Extraction ICCV matlab 论文代码

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。

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

用于图像合成/背景替换的对象剪切的交互式自然图像分割。 在 Java 中实现，在 1.5.0_17 版上测试。 完整的源代码可用。