1、利用VGGnet提取图片特征 2、利用segnet进行decoder 3、使用tensorflow里面kereas里面神经网络八步法，一步一步教你训练自己的模型 4、提供了用于训练和验证的数据集 5、网络注释清晰，方便二次开发和修改

通过深度学习模型对室内楼道环境的视觉信息进行处理，帮助移动机器人在室内楼道环境下自主行走。为达到这个目的，将楼道环境对象分为路、门、窗户、消防栓、门把手和背景六类，通过图像的语义分割实现对象识别。在对楼道环境的六类对象进行分割的实验中发现，由于门把手比起其他对象小很多，影响了对它的识别效果；将六分类模型改为“5 2”分类模型，解决了这个问题。分类模型的基础是全卷积神经（FCN）网络，可以初步实现图像的分割。为了提高FCN网络的分割效果，从三个方面进行了实验研究：a）取出FCN网络的多个中间特征层，进行多层特征融合；b）考虑到移动机器人行走过程中视觉信息的时间序列特点，将递归神经网络（RNN）的结构纳入到FCN网络中，构成时间递归的t-LSTM网络；c）考虑到二维图像相邻像素之间的依赖关系，构成空间递归的s-LSTM网络。这些措施都有效地提高了图像的分割效果，实验结果表明，多层融合加s-LSTM的结构从分割效果和计算时间方面达到综合指标最佳。

马萨诸塞州建筑物数据集由波士顿地区的151张航拍图像组成，每幅图像的1500×1500像素，分辨率为1m，面积为2.25平方公里。因此，整个数据集覆盖约340平方公里。数据分为137个图像的训练集，10个图像的测试集和4个图像的验证集。通过栅格化从OpenStreetMap项目获得的建筑轮廓线来获得目标地图。广泛用于深度学习语义分割与建筑物和道路的提取，是遥感与深度学习领域科研与实验必备的对比实验数据集之一。

1.增加了数据加载部分，二分类loss 2.必要的中文注释 3.附带了自己的数据集 4.有问题随时联系

分享课程——Pytorch生物医学视觉深度学习入门与实战--豪华版（图像分类+语义分割+目标检测），提供完整的代码+数据集下载

应用python代码语义分割评价指标总结及代码实现包含'准确率'、'精确率'、'召回率'、'F1值'、'Iou值'

【Keras】基于SegNet和U-Net的遥感图像语义分割-附件资源

win图像语义分割实用程序，由《model_zoo.md》中的模型《mobilenetv2_dm05_coco_voc_trainaug》改编而成。

dnn matlab代码介绍 BVLC /咖啡： SegNet教程：重命名为SegNet vgg-caffe： caffe-segnet-cudnn5：位于SegNet / caffe-segnet ENET：用于实时语义分割的深度神经网络体系结构 系统环境 Linux Ubuntu 16.04 $ uname -a Linux yubao-Z370M-S01 4.15.0-51-generic # 55~16.04.1-Ubuntu SMP Thu May 16 09:24:37 UTC 2019 x86_64 x86_64 x86_64 GNU/Linux 库达 10.0 人工神经网络 v7.6.1 + CUDA 10.0 Python 2.7 外部档案 重物 VGG 16层模式： Python节奏 请参阅SegNet / requirements.txt 参考 segnet教程： 安装caffe： 安装cuDNN： 下载预训练的模型： 常用的语义分割架构结构概述以及代码复现 制作咖啡 依存关系 CUDA 推荐使用库版本7+和最新的驱动程序版本，但是6. *也可以5.5，并且5.0

matlab数据平滑代码简报网 MICCAI 2017论文代码“ BRIEFnet：使用稀疏扩张卷积进行深层胰腺分割” 由Mattias P. Heinrich和Ozan Oktay撰写。 请参阅以获取PDF和更多详细信息 先决条件示例 1）创建一个免费的synapse.org帐户并下载胰腺数据集 MICCAI“超越颅骨库”研讨会（） 登录并单击“文件”，然后选择“腹部”（或转到），您只需要下载RawData.zip（大小为1.53 GB并包含30次扫描），然后解压缩文件即可。 请注意，文件不是连续命名的（缺少11-20）-在步骤2中将得到修复。 2）打开MATLAB实例并预处理数据 如果您在安装Jimmy Shen的工具箱之前尚未在MATLAB中使用过nifti文件，请执行以下操作： 获得训练数据后，应使用提供的边界框（boundingboxes_abdomen15.mat）对其进行裁剪。 通过以下方式运行脚本： bbox=load( ' boundingbox_abdomen15.mat ' ); crop_scans(bbox,in_folder,out_folder); 提供输