HALCON算子函數Chapter 15： Segmentation

该部分代码包含：肺部气管树的完整分割。医学文件的读取、数据的预处理、肺部分割、气管树分割和数据测试等部分。

tf_unet：用于图像分割的通用U-Net Tensorflow实现

图像分割算法

English | SNE-RoadSeg2 介绍 此SNE-RoadSeg2基于SNE-RoadSeg的官方pytorch实现的，已被接受。这是他们的。 在此，我们为提供了培训和测试设置。我们在Python 3.7，CUDA 10.0，cuDNN 7和PyTorch 1.1中测试我们的代码。我们提供Dockerfile来构建我们使用的Dockerfile映像。 设置 请根据以下文件夹结构设置KITTI道路数据集和预训练的权重： SNE-RoadSeg |-- checkpoints | |-- kitti | | |-- kitti_net_RoadSeg.pth |-- data |-- datasets | |-- kitti | | |-- training | | | |-- calib | | | |-- depth_u16 |

Pytorch实战4：(win10 +ubuntu)对抗语义分割源码调试《Adversarial Learning for Semi-supervised Semantic Segmentation》-附件资源

Object Class Segmentation of RGB-D Video using Recurrent Convolutional Neural Networks Mircea Serban Pavel

图像分割是基于地理对象的图像分析（GEOBIA）中至关重要的基础步骤。 许多多尺度分割算法已被广泛用于高分辨率（HR）遥感图像中。 这些细分算法需要一个预设参数（称为scale参数）来控制每个对象的平均大小。 但是，由于空间变化，单一尺度参数几乎不能描述具有不同土地覆被的区域的边界。 为了克服这一局限性，本研究提出了一种用于多尺度分割的自适应参数优化方法。 为了找到最佳的物体尺度，通过计算物体内部和内部物体之间的光谱角来应用局部光谱异质性度量。 与选择全局最优尺度参数不同，本研究旨在从所有不同尺度的结果中直接搜索最优对象，并将其组合为最终的分割结果。 在实验中，使用多分辨率分割生成不同比例的分割结果，并将QuickBird-2图像用作test.data。 在四张HR测试图像上的优化结果表明，与单尺度分割结果相比，该方法具有更好的分割效果。

FPConv 林益群，严自正，黄海滨，杜东，刘立刚，崔曙光，韩晓光，“ FPConv：学习点卷积的局部平坦化”，CVPR 2020 @InProceedings{lin_fpconv_cvpr2020, author = {Yiqun Lin, Zizheng Yan, Haibin Huang, Dong Du, Ligang Liu, Shuguang Cui, Xiaoguang Han}, title = {FPConv: Learning Local Flattening for Point Convolution}, booktitle = {The IEEE Conference on Computer Vision and Pattern Recognition (CVPR)}, month = {June}, year = {2

时间序列分割算法-segmentation.rar Novel Online Methods for Time Series Segmentation 详见此文章，复现一下，不一定对