demo_mIoU.py运行后得到8位的预测图，可在mIoU.py中与mask计算得出各类别的mIoU值，以及整个测试集的mIoU。demo_mIoU.py与mIoU.py直接在pycharm下run即可。参考博客：https://blog.csdn.net/brf_UCAS/article/details/112383722

preprocess.zip

自己做的人行道数据集希望可以帮到大家，

自己写的组会PPT，关于 DANet：DualAttentionNetworkforSceneSegmentation

HALCON深度学习语义分割标注工具LabelTool应用说明书

智能车寻轨数据集

霍夫变换、卷积神经网络、语义分割网络相结合的，从遥感图像中像素级精确识别机场区域的算法代码。语言为python

通过自己标记的钢材落锤撕裂断口（DWTT）图像数据集，进行Mask R-CNN网络模型的训练，通过训练好的网络模型对钢材试样断口进行预测和评估。通过评估结果进行分析发现，模型具有很好的稳定性和通用性。

通过FCN网络进行DWTT试样断口图像的语义分割 通常cnn网络在卷积之后会接上若干个全连接层，将卷积层产生的特征图（feature map）映射成为一个固定长度的特征向量。一般的CNN结构适用于图像级别的分类和回归任务，因为它们最后都期望得到输入图像的分类的概率，如ALexNet网络最后输出一个1000维的向量表示输入图像属于每一类的概率。 FCN对图像进行像素级的分类，从而解决了语义级别的图像分割问题。与经典的CNN在卷积层使用全连接层得到固定长度的特征向量进行分类不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷基层的特征图（feature map）进行上采样，使它恢复到输入图像相同的尺寸，从而可以对每一个像素都产生一个预测，同时保留了原始输入图像中的空间信息，最后奇偶在上采样的特征图进行像素的分类。-全卷积网络(FCN)是从抽象的特征中恢复出每个像素所属的类别。

汇总了自Non-local和SENet之后的十几篇发表于CVPR/ICCV的经典的注意力方法，包括cbam、a2net、psanet、danet、apcnet、sknet、ccnet、gcnet、annnet、ocrnet、sanet、ecanet