# 执行命令： python miou.py --labels=D:/.../labels --pred=D:/../infer # 其中 --labels 为标注图片路径 --pred 为预测出的图片路径 # 最终结果会打印输出，也会在同级目录下，生成一个txt文档，保存各个类别 iou # 操作极为简单

本文主要对2015年以后的语义分割方向的发展做了详细的阐述，以及现阶段的相关问题做了汇总。本研究适用于语义分割方向的入门了解，以及写该方向的文献综述。

具体见：https://blog.csdn.net/jrckkyy/article/details/114183646

为了说明训练过程，本示例将训练SegNet，一种用于图像语义分割的卷积神经网络(CNN)。用于语义分割的其他类型网络包括全卷积网络(FCN)和U-Net。以下所示训练过程也可应用于这些网络。本示例使用来自剑桥大学的CamVid数据集展开训练。此数据集是包含驾驶时所获得的街道级视图的图像集合。该数据集为32种语义类提供了像素级标签，包括车辆、行人和道路。本示例创建了SegNet网络，其权重从VGG-16网络初始化。要获取VGG-16，请安装NeuralNetworkToolbox?ModelforVGG-16Network：安装完成后，运行以下代码以验证是否安装正确。此外，请下载预训练版SegN

一个37类pet数据集，每个类大约有200张图片。这些图像在比例、姿势和光线上都有很大的变化。所有的图像都有相应的品种、头部ROI和像素级trimap分割的ground truth注释。

用于运行语义分割网络的简单数据集 有191张图片 此外内含数据增强文件夹 增强后为764张图片，可供语义分割网络的训练

2020冬季数字图像处理课程项目，使用yolov5+wider_face 和 deeplabv3+cityscapes，均使用开源的代码和数据集。

VOC2012数据集完整版，百度云链接，下载方便

Keras实现实时语义分割的深层神经网络架构ENET

a module for 3D semantic segmentation in point clouds