看完了DFANet，自己有空就翻译了一下，需要的自取

本ppt包含了deeplab v1、deeplab v2、deeplab v3、deeplab v3+的个主要模块以及改进过程

【Keras】基于SegNet和U-Net的遥感图像语义分割-附件资源

基于keras实现的U-Net网络模型实现代码，可以结合博客https://blog.csdn.net/qq_34213260/article/details/106346996

正式实现“深度双分辨率网络，实时，准确地对道路场景进行语义分割” 无需使用推理加速和额外数据，即可在城市景观和camvid上实现精度与速度之间的最新权衡！ 我们方法的整体架构。 “深度聚合金字塔合并模块（DAPPM）”的详细信息。 用法 当前，此回购包含用于分类和语义分段的模型代码和预训练模型。 您可以参考在本地培训和测试我们的模型。 我们将在稍后发布整个火车并测试代码。 注意 您应该采用一些基本的训练技巧来重现我们的结果，包括班级平衡样本，ohem，作物大小为1024x1024。 可以在找到更多详细信息。 预训练模型 DDRNet上的DDRNet_23_slim（top-1错误：29.8）： DDRNet_23在ImageNet上（top-1错误：24.0）： DDRNet_39在ImageNet上（top-1错误：22.6）： DDRNet_23_slim在Cityscap

在PyTorch中实现的语义分割模型，数据集和损失

pytorch语义分割

一种基于图像语义分割的水尺识别方法.pdf

本数据集共包含约800张机场区域的遥感图像，大约300张来自武汉大学的aid遥感数据集，其余的来自geogle地图的截图。其中约400张已经进行了语义分割标注。

完整工程案例：深度学习Tensorflow 图像语义分割（Image Segmentation）DeepLab基于ResNet101模型（tensorflow1.1以上、python3.5及以上）