第二章背景知识.全卷积网络 .使用全连接网络进行精准分割 .线性结构网络 .对称结构网络 .第三章 实验设计.数据集选择及处理 .图像处理流程设计 .网络结构

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

目前道路违规事件检测多在固定摄像头下人工框定区域进行检测，但人工框定工作量大，并且摄像头转动会使得框定区域失效。针对此问题，率先提出一种目标检测与语义分割相结合的违停检测方法。该方法首先使用目标检测Faster R-CNN，采取迁移学习、多阶段训练等方法建模，提取共享单车的类别与检测框位置信息。再使用group normalization改进语义分割DeepLab v3+网络模型，提高其在小batch size下训练的模型精度，用于分割图像获得道路的语义和区域信息。最后综合两部分信息，根据单车检测框内不同道路区域所占比例判定共享单车是否属于违规停放。实验结果表明，该方法对共享单车类别的mAP为72.36%，对共享单车违规停放的平均检测率为89.11%，适用于真实城市道路监控环境中。

该数据集分为两部分 JPEGImages是存放人像数据集的文件 SegmentationClass是经过二值化处理的标签文件

当使用体积图像进行深度学习时，标记数据是一个很大的挑战。 在放射治疗领域，从CT图像中，提取人体、器官、GTV等各个区域作为区域数据，并存储在DICOM RT的RT-Structure中。 这些数据主要用于计划治疗，但我们也可以使用它们作为标签数据来加速深度学习工作流程。 通过此演示，您可以了解如何将 RT-Structure 数据转换为标签数据，并使用它们在 MATLAB 上训练 3D UNet（语义分割）模型。 [日本人]医学图像 3D 深度学习的主要挑战是标记复杂且耗时。在放射治疗领域，人体、器官、肿瘤等被定义为所拍摄的 CT 图像的区域，并由 DICOM RT 的 RT-Structure 管理。这些是为治疗计划而创建的，但提取的区域数据也可以用作深度学习的标签。在此演示中，您可以转换 RT-Structure 数据以用于深度学习并学习流程，直到将其用于学习 3D UNet。

一套完整的语义分割的源代码，标注清晰明确，内容充实完备，修改简便，于MATLAB平台运行，适用于学习语义分割各阶段的研究学习人员。

PointNet2用于3D点云的语义分割 马蒂厄·奥罕（Mathieu Orhan）和纪尧姆·迪基瑟（Guillaume Dekeyser）着（巴黎桥和歌剧院，2018年，巴黎）。 介绍 这个项目是PointNet2的学生分支，由斯坦福大学的Charles R. Qi，Li（Eric）Yi，Hao Su，Leonidas J. Guibas提供。 有关详细信息，您可以参考原始的PointNet2论文和代码（ ）。 该分支专注于语义分割，目的是比较三个数据集：Scannet，Semantic-8和Bertrand Le Sa​​ux空中LIDAR数据集。 为此，我们清理，记录，重构和改进原始项目。 稍后，我们将把相同的数据集与另一个最新的语义分割项目SnapNet进行比较。 相关性和数据 我们使用3 GTX Titan Black和GTX Titan X在Ubuntu 16.04上工作。

常用的语义分割架构结构综述以及代码复现 常用的语义分割架构结构综述以及代码复现

用于深度估计和语义分割的城市景观处理数据集，该数据集包含128 x 256大小的图像，它们的19类语义分割标签和反向深度标签。该数据集是城市景观数据集的预处理数据集，用于两个任务深度估计和语义分割。每类数据有3000多个 用于深度估计和语义分割的城市景观处理数据集，该数据集包含128 x 256大小的图像，它们的19类语义分割标签和反向深度标签。该数据集是城市景观数据集的预处理数据集，用于两个任务深度估计和语义分割。每类数据有3000多个

该自由可以用于语义分割在少量训练数据集上进行训练，并将训练之后的模型用于对没有标注的数据进行预测，形成一种少样本学习，用于辅助人工标注的一种代码资源。