本资源是语义分割模型 DeeplabV3plus 的 pytorch 复现，其 backbone 包括 Xception、Resnet101 和 MobilenetV2。 项目仅提供代码，没有给出训练后的模型！

官方分割模型nnUnet的github仓库项目

天池地表建筑物语义分割模型 FCN

简介：自行搭建的分割模型（2D-二分类任务），包括数据加载、预处理、训练、验证、测试和模型保存等功能。 数据集：数据集下载地址为官网，下载后按照数据加载方式自行放置在相应目录下即可。并且数据集也是公开的。如果找不到，可私信我。 包含：U-Net、AttenU-Net、R2AttU-Net三种常见网络模型，用户可自行下载其他网络放置在项目内进行对比实验。 环境：环境配置比较简单，python37环境下直接pip库就可。本项目使用了torch框架，比较简单易懂，没有很难理解的地方，比github上公开的论文代码要简单很多。 特色：可以根据预测和标签的边缘在原始图像中绘制出边界；可以对比多种不同类型的分割模型，可扩展性强；适合入手深度学习分割方向的新手；代码简单易懂，都是常用的方法，封装不严重，逻辑性强。下载的用户若有不懂的地方，可评论或者私信我，我会一一解答，咱们共同进步。 备注：自行搭建的代码，思路逻辑若与大佬的代码雷同，纯属巧合。本代码是我发论文用的代码的简化版本，论文还未正式发表，因此后续会尽快公开更全的代码。

针对PointNet模型只针对孤立点提取特征信息,而对邻域结构的信息提取能力不足的问题,提出基于图卷积网络的三维点云分类分割模型GraphPNet。首先将三维点云转换成无向图结构,利用该图结构得到点云的邻域信息,通过将邻域信息与单个点信息融合的方式提高分类与分割的准确率。在分类实验中,本文在ModelNet40数据集上进行训练与测试,并且与3D ShapeNets、VoxNet、PointNet模型的分类精度进行比较,其分类精度优于这些模型。在分割实验中,使用ShapeNet数据集进行训练与测试,并且与PointNet模型等分割模型得到的平均交并比(mIoU)值进行比较,验证了GraphPNet在分割实验中的有效性。

segmentation_models_pytorch是一款非常优秀的图像分割库，albumentations 是一款非常优秀的图像增强库，这篇文章将这两款优秀结合起来实现多类别的图像分割算法。数据集选用CamVid数据集，类别有：'sky', 'building', 'pole', 'road', 'pavement','tree', 'signsymbol', 'fence', 'car','pedestrian', 'bicyclist', 'unlabelled'等12个类别。数据量不大，下载地址：[mirrors / alexgkendall / segnet-tutorial · GitCode](https://gitcode.net/mirrors/alexgkendall/segnet-tutorial?utm_source=csdn_github_accelerator)。 通过这篇文章，你可以学习到： 1、如何在图像分割使用albumentations 增强算法？ 2、如何使用dice_loss和cross_entropy_loss？

在现有的活动轮廓中，LBF模型、LIF模型和LGDF模型是著名的基于区域的模型。虽然能分割灰度不均匀的图像，但对活动轮廓的初始化和噪声较为敏感。针对该问题，提出一种融合全高斯和局部高斯概率信息的活动轮廓模型。首先由全局高斯模型的全局灰度拟合力和局部高斯模型的局部灰度拟合力的一个线性组合来构造水平集演化力，然后引入这两个拟合力的动态权重以达到该模型的灵活性，实验结果表明，该模型能分割灰度不均的图像，且允许灵活的轮廓初始化，抗噪声性强。

Win10系统下训练RandLA-Net点云语义分割模型_zhaoguanhua的博客-CSDN博客.mhtml

开源mask rcnn分割模型训练loss下降图

1、轻量级人像分割模型PP-HumanSeg NCNN C++部署代码； 2、包含onnx模型和ncnn模型。