用于裂纹检测的U-Net深度学习模型 概括 Prenav用于裂缝检测的全卷积网络（FCN）模型（在2019年和2020年初）运行良好，但是要理解为什么要弄清楚为什么会犯错误，我们很难理解。 我们希望使用更简单易懂的深度学习模型架构，以建立更好的见解，从而真正提高裂缝检测模型的准确性和召回率。 U-Net体系结构是此的理想选择。 我们用作起点的代码是一个教程，因此旨在使其易于理解。 我们从这个TensorFlow教程开始： 我们修改了它： 对于裂纹检测任务 使用OpenImageIO读取和处理exr文件 要输出显示以下内容的有用图像： 具体的 人类标签标记为裂缝的像素 模型分类为裂缝的像素。 尽管我们的重点是使用更简单的深度学习模型架构来了解该模型在裂缝检测任务中的作用，但我们发现训练有素的U-Net模型也为我们提供了很好的精度，并让我们回想起了这项任务。 绝对是胜利。 介绍 讨论

深度学习时代，图像语义分割在FCN出现后大放异彩。本PPT讨论了研究的前沿发展，包括网络进步，后端CRF条件随机场的改进等。适合初学的同学们了解现状。

win图像语义分割实用程序，由《semantic-segmentation-pytorch-master》中的模型《ade20k-hrnetv2-c1》改编而成。

看完了DFANet，自己有空就翻译了一下，需要的自取

【Keras】基于SegNet和U-Net的遥感图像语义分割-附件资源

一种基于图像语义分割的水尺识别方法.pdf

完整工程案例：深度学习Tensorflow 图像语义分割（Image Segmentation）DeepLab基于ResNet101模型（tensorflow1.1以上、python3.5及以上）

本教程利用MATLAB进行图像语义分割，从语义分割概念、模型搭建、图像标记、模型测试完整的展示了MATLAB语义分割的全过程。（本博主提供一对一技术支持服务，有需要的同学可以私信我哦）

图像语义分割代码实现（1）-附件资源

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。