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

通过python脚本构造focal loss曲线；焦点损失函数是重加权的一个典型代表，被广泛应用于目标检测和语义分割。

Unet语义分割训练和TensorRT部署

1、 训练数据准备 所有数据均放置于Sample\Build\下，其中Build为数据类型，根据自己需要进行修改，本示例数据为512*512大小GF2建筑，训练数据按照: Sample\Build\train\ IMG_T1 -----------------------\ IMG_LABEL -----------------\val\ IMG_T1 -----------------------\IMG_LABEL 2、 训练参数设置 参数和运行皆在dp0_train.py中，主要参数包括： （1） num_epochs，训练批次 （2） learning_rate，学习率 （3） dataset，步骤一自己构建的数据集名称 （4） band，输入数据通道数（波段数） （5） n_class, 模型输出通道数（类别） 设置好后点击run即可 3、 训练模型位置 模型结构放与net文件中，生成模型文件pt位于Checkpointspath\ 4、 预测使用 填写参数 Checkpointspath，模型位置名称 Dataset，待预测数据文件夹 Outputpath，输出数据文件夹

基于PPLiteSeg的车道线语义分割算法，自制成可实时调用的API，设置逻辑使其能实时输出相应的转向角度，帮助无人车在沿车道行驶的路况下实现无人驾驶。 博客地址：https://blog.csdn.net/weixin_51331359/article/details/126223158?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22126223158%22%2C%22source%22%3A%22weixin_51331359%22%7D&ctrtid=KeE3k