血管分割 1.0.0版从光声图像中分割血管结构并进行可靠性评估 网络： ：//math.tut.fi/inversegroup/出版物：P.Raumonen和T.Tarvainen（2018）：“通过光声图像对血管结构进行分割并进行可靠性评估”，已提交给Biomedical Optics Express 。 血管分割是用Matlab编写的。 主要功能是vessel_segmentation.m ，它包含一个数字3D数组（光声图像）和一个可选的结构数组，用于指定所需的输入参数，可以使用脚本define_inputs.m对其进行定义。 有关更多详细信息，请参阅特定功能的帮助文档。

NLPCC2016-WordSeg-微博 NLPCC 2016微博分词评估项目 ##任务说明 单词是自然语言理解的基本单元。 但是，中文句子由连续的汉字组成，没有自然的分隔符。 因此，中文分词已成为中文自然语言处理的首要任务，它可以识别句子中单词的顺序并标记单词之间的边界。 与流行的二手新闻数据集不同，我们使用了来自新浪微博的更多非正式文章。 培训和测试数据包含来自各个主题的微博，例如金融，体育，娱乐等。 每个参与者都可以提交三个运行：封闭式运行，半开放式运行和开放式运行。 在封闭的轨道上，参与者只能使用在提供的培训数据中找到的信息。 排除了诸如从外部获得的字数，部分语音信息或姓名列表之类的信息。 在半公开赛道中，除了提供的训练数据之外，参与者还可以使用从提供的背景数据中提取的信息。 排除了诸如从外部获得的字数，部分语音信息或姓名列表之类的信息。 在公开赛道上，参与者可以使用应该

伪装物体检测（CVPR2020-Oral） 作者：，，，，，。 0.前言 欢迎加入COD社区！ 我们在微信中创建了一个群聊，您可以通过添加联系人（微信ID：CVer222）来加入。 请附上您的从属关系。 该存储库包括详细的介绍，强大的基准（搜索和识别网，SINet）以及用于伪装目标检测（COD）的一键评估代码。 有关伪装物体检测的更多信息，请访问我们的并阅读 / 。 如果您对我们的论文有任何疑问，请随时通过电子邮件与或。 如果您使用SINet或评估工具箱进行研究，请引用本文（ ） 0.1。 :fire: 消息 :fire: [2020/10/22] :collision: 可以通过电子邮件（ ）提供培训代码。 请提供您的姓名和机构。 请注意，该代码只能用于研究目的。 [2020/11/21]已更新评估工具：Bi_cam（cam> threshold）= 1-> Bi_cam（cam> = threshold

SharpNLP是C#实现的一个开源的自然语言处理工具集，它提供了如下功能： * 句子分割 * 分词 * 词性标注（POS tagging） * a chunker (used to "find non-recursive syntactic annotations such as noun phrase chunks") * a parser * a name finder * a coreference tool * 访问wordent数据库的借口

isodata的matlab代码博客reitna-segmentation 视网膜图像分割提取血管复杂结构 详情见： 用法：运行 mainDemo.m 步骤 1：从文件夹“retina_images\1.tif”读取 matlab 工作区中的视网膜图像。 步骤 2：将分割算法应用于输入的视网膜图像。 ISODATA算法用于从视网膜图像中分割血管。 使用迭代 isodata 方法的 ISODATA 计算全局图像阈值。 LEVEL = ISODATA(I) 计算可用于将强度图像转换为具有 IM2BW 的二值图像的全局阈值 (LEVEL)。 LEVEL 是一个归一化的强度值，位于 [0, 1] 范围内。 这种选择阈值的迭代技术是由 Ridler 和 Calvard 开发的。 视网膜分割图像： 步骤 3：加载真实图像（label_images/1.tif）以比较分割算法的结果。 现在我们有两个图像。 即一个是ground truth，另一个是分割结果。 为了比较算法的性能，我们计算了“真视网膜”和“假视网膜”以及“真背景”和“假背景”。 以下代码部分显示了上述参数的计算 number_of_p

指甲分割 迷你U网络进行指甲分割 我已经实现了CNN，用于在蒙版标签的指甲上进行图像分割- 在训练过程中，我监控了预测的

Customer-segmentation:用于银行客户细分的无监督机器学习项目

instance segmentation，实例分割，yolov8，ncnn，前后摄像头realtime实时

道路分割 客观的 在自动驾驶的情况下，给定前摄像头视图，汽车需要知道道路在哪里。 在这个项目中，我们训练了神经网络，通过使用一种称为完全卷积网络（FCN）的方法来标记图像中道路的像素。 在此项目中，使用KITTI数据集实施FCN-VGG16并对其进行了培训，以进行道路分割。 演示版 （单击以查看完整的视频） 1代码和文件 1.1我的项目包括以下文件和文件夹 是演示的主要代码 包含单元测试 包含一些帮助程序功能 是带有GPU和Python3.5的环境文件 文件夹包含KITTI道路数据，VGG模型和源图像。 文件夹用于保存训练后的模型 文件夹包含测试数据的细分示例 1.2依赖关系和我的环境 Miniconda用于管理我的。 Python3.5，tensorflow-gpu，CUDA8，Numpy，SciPy 操作系统：Ubuntu 16.04 CPU：Intel:registered:Core:trade_mark:i7-68

DSR-semantic-segmentation:DSR方法在CityScapes数据集上进行语义分割