DeepLab V3 Plus的高性能Pytorch实现
介绍
此存储库是（重）实现的PyTorch中的语义图像分割，用于在PASCAL VOC数据集上进行语义图像分割。 此回购协议的mIuU高于纸面结果的78.85％，为79.19％。
要求
在运行脚本之前，需要Python（3.6）和Pytorch（0.4.1）。 要安装所需的python软件包（期望PyTorch），请运行
pip install - r requirements . txt
数据集
为了训练和验证网络，此存储库使用增强的PASCAL VOC 2012数据集，其中包含10582张用于训练的图像和1449张用于验证的图像。 要使用数据集，您可以在下载PASCAL VOC培训/验证数据（2GB的tar文件）然后从或下载SegmentationClassAug
训练
在训练之前，您应该克隆此仓库：
git clone gi
2021-12-25 19:10:04
220KB
1
在
https://github.com/tensorflow/models/blob/master/research/deeplab/g3doc/model_zoo.md
中有许多个模型。
先下一个试试效果如何：http://download.tensorflow.org/models/deeplabv3_mnv2_dm05_pascal_trainaug_2018_10_01.tar.gz
由于
我的Tensoflow是1.0版。不能直接运行，先把模型编辑一下，去掉
“Conv2D”的属性“dilations”和“data_format”
以及“Cast”的属性“Tru
2021-12-23 15:19:19
772KB
1
Encoder-Decoder with Atrous Separable Convolution for Semantic Image
Segmentation
2021-12-13 22:54:06
1.87MB
1
深度学习的语义分割在计算机视觉领域中有非常广阔的发展前景，但许多分割效果较好网络模型占用内存大和处理单张图片耗时长.针对这个问题，把Deeplab V3+模型的骨干网（ResNet101）的瓶颈单元设计为1D非瓶颈单元，且对空洞空间金字塔池化模块（Atrous Spatial Pyramid Pooling，ASPP）的卷积层进行分解.该算法能大幅度降低Deeplab V3+网络的参数量，提高网络推理速度.基于PASCAL VOC 2012数据集进行对比实验，实验结果显示改进网络模型拥有更快的处理速度和更优的分割效果，且消耗更少的内存.
2021-11-15 10:27:37
1.15MB
1
DeepLabv3+是一种非常先进的基于深度学习的图像语义分割方法，可对物体进行像素级分割。
本课程将手把手地教大家使用labelme图像标注工具制作数据集，并使用DeepLabv3+训练自己的数据集，从而能开展自己的图像语义分割应用。
本课程有两个项目实践：
(1) CamVid语义分割 ：对CamVid数据集进行语义分割
(2) RoadScene语义分割：对汽车行驶场景中的路坑、车、车道线进行物体标注和语义分割
本课程使用TensorFlow版本的DeepLabv3+，在Ubuntu系统上做项目演示。 包括：安装deeplab、数据集标注、数据集格式转换、修改程序文件、训练自己的数据集、测试训练出的网络模型以及性能评估。
本课程提供项目的数据集和Python程序文件。
下图是使用DeepLabv3+训练自己的数据集RoadScene进行图像语义分割的测试结果：
2021-11-01 09:35:27
7.19MB
1
包括经典的分类网络:
AlexNet,MaxOut,InceptionV1,VGG,InceptionV2,InceptionV3,ResNet,Xception,ResNext,MobileNet-V1,DRN,DPN,DenseNet,MobileNet-V2,MobileNet-V3
语义分割网络:
FCN,Unet,InstanceFCN,DeepLab-V1,DeeplabV3,SeNet,DeeplabV3+
目标探测网络:
SPP,RCNN,Fast R-CNN,Net,SSD,R-FCN,Faster R-CNN,MaskR-CNN,YOLO
另有NLP,机器翻译,图像风格转换论文若干
2021-09-30 15:17:57
190.92MB
1
pytorch-deeplab-xception
于2018/12/06更新。 提供在VOC和SBD数据集上训练的模型。
于2018/11/24更新。 发布最新版本的代码，该代码可以解决一些以前的问题，并增加对新主干和多GPU培训的支持。 有关以前的代码，请参见上previous分支
去做
支持不同的骨干网
支持VOC，SBD，城市景观和COCO数据集
多GPU训练
骨干
火车/评估系统
价值
预训练模型
ResNet
16/16
78.43％
移动网
16/16
70.81％
DRN
16/16
78.87％
介绍
这是的PyTorch（0.4.1）实现。 它可以使用Modified Aligned Xception和ResNet作为主干。 目前，我们使用Pascal VOC 2012，SBD和Cityscapes数据集训练DeepLab V3 Plus。
安装
该代
2021-09-01 15:38:46
559KB
1
Panoptic-DeepLab（CVPR 2020）
Panoptic-DeepLab是最先进的自下而上的全景分割方法，其目的是为输入图像中的每个像素分配语义标签（例如人，狗，猫等）实例标签（例如ID为1、2、3等）到属于事物类别的像素。
这是我们基于Detectron2的CVPR2020论文的PyTorch重新实现： 。现在，此仓库中还支持使用DeepLabV3和DeepLabV3 +的细分模型！
消息
[2021/01/25]在COCO实验的旧配置文件中发现了一个错误（对于COCO，需要将MAX_SIZE_TRAIN从640更改为960）。现在，我们还复制了COCO的结果（35.5 PQ）！
[2020/12/17]支持COCO数据集！
[2020/12/11]在Panoptic-DeepLab的Detectron2版本中支持DepthwiseSeparableConv2d。现
2021-09-01 15:02:00
2.62MB
1