Hair Segmentation 头发分割 Google MediaPipe hairsegmentationgpu.apk

两种算法：1.使用EM算法对3通道彩色图片进行聚类分割，给出误差； 2.使用K-means算法对3通道彩色图片进行聚类分割，给出误差。 两者都需要输入聚类个数的数组，实现分割。

1. 基于pytorch实现的代码，GPU版（cpu也能跑，但是会out of memory）； 2. 包含所用的数据集KolektorSDD电子转换器表面裂痕的图片，论文原文和代码（训练好的模型大于1G了...csdn的资源大小限制，不能上传，如果有需要请留言）； (抱歉，我前段时间整理资料的时候误放了，最近我再找找，如果找到了我会传到网盘，然后把链接贴到这里。大家先不要浪费积分下载了) 3. 关于本资源的具体介绍可参考我的博文

该数据集也称为PanNuke，包含半自动生成的核实例分割和分类图像，包含19种不同组织类型的详尽核标签。 Cancer Instance Segmentation and Classification 1_datasets.txt Cancer Instance Segmentation and Classification 1_datasets.zip

MRI图像中的心脏分割 Heart Segmentation in MRI Images_datasets.txt Heart Segmentation in MRI Images_datasets.zip

语义分割与转移学习

脑提取器 FSL的Python脑提取工具的重新实现。 遵循以下算法： Smith SM. Fast robust automated brain extraction. Hum Brain Mapp. 2002 Nov;17(3):143-55. doi: 10.1002/hbm.10062. PMID: 12391568; PMCID: PMC6871816. 安装 要安装，只需使用pip安装此仓库： # install repo with pip pip install git+https://github.com/vanandrew/brainextractor@main # install from local copy pip install /path/to/local/repo 需要注意的是reccomended使用brainextractor Python的3.7+

在线草书维吾尔族手写单词分割为基本可识别单元的动态规划方法

图像分割是计算机视觉中的一个基本问题。 尽管进行了多年的研究，但是通用图像分割仍然是一项非常具有挑战性的任务，因为分割本质上是不适当的。 在不同的分割方案中，图论的分割方案在实际应用中具有几个良好的特点。 它将图像元素显式地组织成数学上合理的结构，并使问题的表述更加灵活，计算效率更高。 在本文中，我们对图像分割的图论方法进行了系统的调查，其中的问题是根据将图划分为几个子图来建模的，以便每个子图代表图像中有意义的感兴趣对象。 这些方法按照统一的符号分为五类：基于最小生成树的方法，具有成本函数的基于图割的方法，基于马尔可夫随机场模型的基于图割的方法，基于最短路径的方法以及其他不属于该方法的方法这些课程中的任何一个。 我们为每种方法类别提供了动机和详细的技术说明。 定量评估是通过使用五个指标进行的-概率兰德（PR）指数，归一化概率兰德（NPR）指数，信息变化（VI），全局一致性误差（GCE）和边界位移误差（BDE）-在某些代表性自动装置上和交互式细分方法。

在这封信中，我们提出一种概率测度，以评估具有多个基本事实的机器分割。 该措施旨在自适应地评估从分段中提取的结构信息。 这会在分割的每个点上引起局部相似性评分，然后可以按照原则上的信息论方法将其累积为整个分割的全局相似性评分。 实验是根据来自伯克利细分数据库和我们自己的数据库的基准图像进行的。 结果表明，所提出的方法可以忠实地反映分割的感知质量。