3D unet 语义分割，pytorch，train，test，val，可以分割训练自己的3D医学数据，深度学习语义分割。

html5 canvas结合css分割图片 引用动画库animal等 播放图片动画 支持三角形 矩形 梯形 横向 竖向 支持火狐浏览器及手机

图像分割是关于将不同语义的像素分组，例如，类别或实例成员关系，其中每个语义的选择定义了一个任务。虽然只是每个任务的语义不同，但目前的研究重点是为每个任务设计专门的体系结构。我们提出了一种新的架构Mask -attention Mask Transformer (Mask2Former)，能够解决任何图像分割任务(全景、实例或语义)。它的关键组成部分包括Mask -attention，通过约束掩模区域内的交叉注意来提取局部特征。除了将研究工作量减少至少三倍之外，它在四个流行的数据集上的性能显著优于最好的专门架构。最值得注意的是，Mask2Former设置了一个新的最先进的全景分割(COCO上57.8 PQ)，实例分割(COCO上50.1 AP)和语义分割(ADE20K上57.7 mIoU)。

人像分割，只需要OPENCV460

PDF分割合并软件来自国外免费软件

这项工作基于我们的arXiv 技术报告，该报告将出现在 CVPR 2017 中。我们提出了一种新颖的点云深度网络架构（作为无序点集）。您还可以查看我们的项目网页以获得更深入的介绍。 点云是一种重要的几何数据结构。由于其不规则的格式，大多数研究人员将此类数据转换为规则的 3D 体素网格或图像集合。但是，这会使数据变得不必要地庞大并导致问题。在本文中，我们设计了一种直接消耗点云的新型神经网络，它很好地尊重了输入中点的排列不变性。我们的网络名为 PointNet，为从对象分类、部分分割到场景语义解析的应用提供了统一的架构。虽然简单，但 PointNet 非常高效且有效。 在这个存储库中，我们发布了代码和数据，用于在从 3D 形状采样的点云上训练 PointNet 分类网络，以及在 ShapeNet Part 数据集上训练部件分割网络。

视觉导航是智能采棉机器人的基本技术之一。 棉田组成复杂，存在遮挡和照明，难以准确识别出犁沟，从而提取出导航线。 提出了一种基于水平样条分割的野外导航路径提取方法。 首先，通过OTSU阈值算法对RGB color.space中的彩色图像进行预处理，以分割犁沟的二值图像。棉田图像成分分为四类：犁沟（成分包括土地，枯萎的叶子等）。 。），棉纤维，棉的其他器官和外部区域或阻塞物。 通过利用HSV模型的色相和值的显着差异，作者将阈值分为两个步骤。 首先，他们在S通道中分割棉绒，然后在棉线区域之外的区域中在V.通道中分割犁沟。 另外，需要形态学处理以滤出小的噪声区域。 其次，水平样条用于分割二值图像。 作者检测水平样条中的连通区域，并合并由棉毛或附近大连通区域中的亮点引起的孤立的小区域，从而获得犁沟的连通区域。 第三，根据相邻导航线候选之间的距离较小的原理，以图像底部的中心为起点，并从连通域的中点开始依次选择候选点。 最后，作者对连接域的数量进行计数，并计算连接域边界线的参数变化，以确保机器人是否到达了野外或遇到障碍物。 如果没有异常，则使用minimum.squares方法由导航点拟合导航路径。

针对基于机器视觉的农业导航机器人在图像处理时易受光照变化影响和常规导航线检测算法实时性、稳健性不高等问题，提出了YCrCg颜色模型，选择该颜色模型中与光照无关的Cg分量进行后续图像处理，采用基于二维直方图的模糊C均值聚类法(FCM)进行图像分割，并根据图像中作物行的特点，提出了基于直线扫描的作物行直线检测算法。该算法将图像底边和顶边像素点作为直线的两个端点，通过移动上下端点位置产生不同斜率直线，选择包含目标点最多的直线作为作物行中心线。实验表明，不同光照下基于YCrCg颜色模型的图像分割可以有效地识别出作物行，处理一幅640 pixel×480 pixel图片耗时约为16.5 ms，直线扫描算法能快速准确的检测出导航线，与最小二乘法、Hough变换等算法相比具有速度快、抗干扰性强等优点。

基于改进北方苍鹰优化算法的多阈值图像分割

Unet图像分割，已标注