裂缝的 Unet 语义分割 使用 PyTorch、OpenCV、ONNX 运行时的实时裂缝分割 依存关系： 火炬 OpenCV ONNX 运行时 CUDA >= 9.0 指示： 1.使用您的数据集训练模型并在supervisely.ly上使用unet_train.py保存模型权重（.pt文件） 2.使用pytorch_to_onnx.py将模型权重转换为ONNX格式 3.使用crack_det_new.py获取实时推理 裂纹分割模型文件可点击此下载 结果： 图表：

一种快速的抗噪声模糊C均值图像分割算法 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出。该算法结合像素灰度值相似度和隶属度构造了一个新的空间函数。该空间函数用于更新成员关系，而成员关系又用于迭代地获取聚类中心。所提出的算法可以在较少的迭代次数下获得理想的分割结果，有效地降低了噪声的影响。

for lidar/data

数字图像处理：第七章 图像分割（Image Segmentation）.ppt

膝关节MRI的全自动软骨和半月板分割 MRI数据对MSK组织的全自动分割。 该代码主要用于对来自OAI的3D DESS扫描中的软骨和半月板进行分段。 该网络的模型权重很大（400MB），但可以通过在stanford dot edu上向akshaysc发送电子邮件来找到它们。 以下是OAI iMorphics队列测试的14位受试者的一些结果： 荷航集团 股骨软骨 胫骨软骨 半月板 2个 89.8±2.0 87.9±2.3 76.0±3.5 3 90.0±1.3 85.6±3.8 75.1±4.2 4 90.1±1.8 76.1±1.9 75.8±3.7 平均数 89.9±1.6 85.3±4.7 75.4±3.8 体积CV％ 1.7±1.2 6.5±5.8 9.0±5.7 计划的目标： 有关如何使用提供的代码的详细教程 预处理管道（dicom读取-

Remote_Sensing_Satellite_Map_Segmentation 使用Segnet，SLIC和CRF对轻云和厚云的像素进行分类。

通过从各种年龄组（年轻人，中年人和老年人），种族组（白人，黑人和亚洲人）的面部图像中随机抽取B，G，R值以及从FERET数据库和PAL数据库获得的性别来收集皮肤数据集。 。学习样本总量为245057; 其中50859是皮肤样本，194198是非皮肤样本。 资源内包括数据集图片下载地址和对应的标注标签文档。 通过从各种年龄组（年轻人，中年人和老年人），种族组（白人，黑人和亚洲人）的面部图像中随机抽取B，G，R值以及从FERET数据库和PAL数据库获得的性别来收集皮肤数据集。 。学习样本总量为245057; 其中50859是皮肤样本，194198是非皮肤样本。 资源内包括数据集图片下载地址和对应的标注标签文档。 通过从各种年龄组（年轻人，中年人和老年人），种族组（白人，黑人和亚洲人）的面部图像中随机抽取B，G，R值以及从FERET数据库和PAL数据库获得的性别来收集皮肤数据集。 。学习样本总量为245057; 其中50859是皮肤样本，194198是非皮肤样本。 资源内包括数据集图片下载地址和对应的标注标签文档。

CTC细分 CTC分段可用于查找大型音频文件中的发音对齐方式。 该存储库包含ctc-segmentation python软件包。 该算法的说明位于 本文中使用的代码存储在 安装 随着pip ： pip install ctc-segmentation 使用您最喜欢的AUR帮助程序从Arch Linux AUR中以python-ctc-segmentation-git 。 来自来源： git clone https://github.com/lumaku/ctc-segmentation cd ctc-segmentation cythonize -3 ctc_segmentation/ctc_segmentation_dyn.pyx python setup.py build python setup.py install --optimize=1 --skip-build

通用的语义分割标注工具，可以用于deeplab系列、mask rcnn等逐像素分割算法的数据标注，标签格式为json文件

pytorch-polygon-rnn Pytorch实现。 注意，我使用另一种方法来处理第一个顶点，而不是像本文中那样训练另一个模型。 与原纸的不同 我使用两个虚拟起始顶点来处理第一个顶点，如图像标题所示。 我需要在ConvLSTM层之后添加一个LSTM层，因为我需要输出为D * D + 1维度才能处理结束符号。 如何训练和测试 从下载数据，组织图像文件和注释json文件，如下所示： img ├── train │ ├── cityname1 │ │ ├── pic.png │ │ ├── ... │ ├── cityname2 │ │ ├── pic.png │ │ ├── ... ├── val │ ├── cityname │ │ ├── pic.png │ │ ├── ... ├── test │ ├── ci