camvid数据集，包含训练，验证和测试集，还有对应list。数据集来自剑桥的道路与驾驶场景图像分割数据集，图像数据来自视频帧提取，原始分辨率大小为960x720，包括32个类别。分为367张训练图像，100张验证图像，233张测试图像。

实时语义分割网络DDRNet项目工程，已调试成功，运行结果展示如下 2022-05-05 07:35:32,001 Loss: 0.457, MeanIU: 0.7796, Best_mIoU: 0.7802 2022-05-05 07:35:32,001 [0.98194617 0.85180647 0.92407255 0.58784785 0.59236745 0.64585143 0.69415029 0.76973187 0.92413451 0.6401672 0.94537195 0.81574417 0.63227908 0.94934242 0.80143391 0.87566783 0.7885714 0.63113426 0.76087927] 2022-05-05 07:35:32,174 Hours: 41 2022-05-05 07:35:32,174 Done

2021.4.22 更新了全部标注的json文件！！！ 另有可跑通的整套deeplab_v3+的pytorch工程代码 电力巡检行业特殊数据集，由无人机或巡检机器人在塔内作业时拍摄得到，可用于缺陷检测玻璃绝缘子串是否自爆。数据集为4k分辨率的图像及对应的标签，每张均采用labelme软件，花费大量时间手工标注（标注不易请理解），mask格式为8位灰度图，像素值为（1,1,1），视觉效果为看不到物体的黑色但是有像素值。

凸轮2BEV 该存储库包含我们的方法的官方实现，该方法用于在语义上分割的鸟瞰图（BEV）图像的计算中，给出了多个车载摄像机的图像，如本文所述： 一种Sim2Real深度学习方法，用于将图像从多个车载摄像头转换为鸟瞰视图中的语义分割图像（ ， ） ， 和 摘要—准确的环境感知对于自动驾驶至关重要。 当使用单眼相机时，环境中元素的距离估计带来了重大挑战。 将相机透视图转换为鸟瞰图（BEV）时，可以更轻松地估算距离。 对于平坦表面，反透视贴图（IPM）可以将图像准确地转换为BEV。 这种转换会使三维物体（如车辆和易受伤害的道路使用者）变形，从而使得很难估计它们相对于传感器的位置。 本文介绍了一种方法，该方法可从多个车载摄像机获得的图像中获得校正后的360°BEV图像。 校正后的BEV图像被分割成语义类别，并且包括对遮挡区域的预测。 神经网络方法不依赖人工标记的数据，而是在合成数据集

利用keras框架来实现语义分割，进行更准确的图像识别

课程分享，Pytorch生物医学视觉深度学习课程（图像分类+语义分割+目标检测），共26章，提供课程配套的全部代码+课件+数据下载。共7个完整项目。

1.引言 在监督学习领域，人类已经取得了很大的进步，但这也意味着我们需要大量带标签的数据来训练模型，这些算法需要把这些数据扫描一遍又一遍来寻找最优模型参数。然而现实生产活动中，带标签的数据相对缺乏，海量的无标签数据没有得到充分利用，本篇博文将浅显的介绍下一种半监督方法——伪标签。 2.什么是伪标签 伪标签是将可靠的测试数据的预测结果添加到训练数据。伪标签的建立过程大概有五步：（1）利用训练数据建立模型；（2）预测未知测试数据集的标签；（3）在训练数据中加入可靠的测试数据预测值；（4）利用组合数据训练新模型或微调第一步中的模型；（5）使用新模型预测测试集数据。 3. 训练过程 本篇博文参考的是

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。

1.基于Transformer的语义分割 2.训练自己的数据集，二分类 3.参考博客链接：https://blog.csdn.net/qq_20373723/article/details/126450108?spm=1001.2014.3001.5502

EarthMapper EarthMapper的项目存储库。 这是用于非RGB（即多光谱/高光谱）图像的语义分割的工具箱。 我们将努力添加更多示例和更好的文档。 描述 这是过去几年中我们从事的各种项目的分类管道。 当前可用的选项包括： 预处理 MinMaxScaler-在给定特征范围（例如0-1）之间缩放数据（每通道） StandardScaler-将数据（每通道）缩放到零均值/单位方差 PCA-通过主成分分析降低尺寸 标准化-使用每通道L2范数缩放数据 空间光谱特征提取 堆叠卷积自动编码器（SCAE） 堆叠式多损失卷积自动编码器（SMCAE） 分类器 SVMWorkflow-具有给定训练/验证拆分的支持向量机 SVMCVWorkflow-支持向量机，使用n折交叉验证来找到最佳超参数 RandomForestWorkflow-随机森林分类器 MLP-多层感知器神经网络分类器 SSML