kaggle机器学习、深度学习竞赛，包含多模态、目标检测、视频监测和分类、图像分割、图像分类、图像检索、NLP 共21个方案

图像分割的目的是将图像划分为不同的区域,基于区域生长是以直接找寻区域为基础的分割技术。区域生长是一种根据事先定义的准则将像素或子区域聚合成为更大的区域的过程。基本方法是以一组“种子”点开始,将与种子点性质相似(诸如灰度级或衍射的特定范围)的相邻像素附加到生长区域的每个种子上。

课时1图像语义分割简介.ev4

四层PCB板设计及内电层分割，对初学者是很好的学习资料

在机器视觉检测中，图像光照不均匀现象会增加后续处理的难度，因此需要对其进行有效的阈值分割。算法通过窗口分割提取原图的背景灰度图后，结合局部对比度调整系数，对图像进行背景均匀化处理，然后进行全局阈值分割。实验对具有典型光照问题的高分辨率线纹尺图像处理效果良好，平均时间在0.5 s以内。通过与其他几种算法的对比，证明了本算法处理效果最佳，所耗时间满足实时性，为目标的进一步测量工作奠定了良好的基础。

PDF分割合并

本设计基于3ds max平台开发，使用的是3ds max内置的maxscript脚本语言，有可视化UI，可实现单个/多个牙齿的分割提取、牙弓线半自动拟合、病人资料库编辑、排牙等功能。代码全部开源，可直接运行。

图像分割作为目标检测、识别、跟踪研究领域的核心内容，在遥感、计算机视觉、场景解析、图像重构等领域有着广阔的应用前景。针对传统的基于先验阈值或者小波变换的图像分割算法存在的计算冗余、可操作性较差、过分依赖经验、全局最优缺失等问题，提出了一种基于改进型蚁群算法的图像分割优化算法，可以克服传统蚁群算法的收敛速度慢且易陷入局部最优的固有劣势，实现全局最优，具有匹配精度高、抗干扰性强、并行搜索效率高等优势。在Matlab2015b环境下开发了验证环境并对算法进行了实际验证，验证结果表明本文所提算法可以在较短的时间内有效分割目标图像，实时性、准确率和稳定性较高，收敛速度、并行搜索效率等核心参数满足设计需求。

提出了一种复杂环境下的车道检测算法。 它关注通过对象分割来选择候选车道区域。 然后由Sobel算子提取冗余边。 此外，通过从边缘进行阈值选择来获得候选车道标记。 最后，通过分段拟合检测车道标记。 该算法在MATLAB中进行了仿真。 实验表明，可以正确检测车道标记。 在昏暗的环境中，预处理中的分段线性变换可增强检测性能。 有限的兴趣区域有助于识别适当区域中的车道，从而提高了操作速度。 基于特征的方法通常受图像强度的影响。 为了更精确地检测，需要进一步考虑道路的几个特征。

从低景深图像中自动分割聚焦对象