天池地表建筑物语义分割模型 FCN

因为上传文件限制，该数据集少了测试集，以及对应标签。该数据集可以应用到语义分割的学习当中，是较为完整的语义分割数据集。

用于糖尿病视网膜病变筛查项目，数据集做了图像格式转换，图像二值化处理；数量为几百张，含分割后的标签

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

输电线路杆塔、导线分割图像数据集（含分割标签，1242张图像，网盘下载链接），输电线路巡检图像数据 输电线路杆塔、导线分割图像数据集，含分割标签，1242张图像，标签文件为json格式分割标签，格式为yolo格式标签，包含杆塔、绝缘子、导线等等，可用于语义分割与实例分割！

分享课程——《Pytorch生物医学视觉深度学习入门与实战--豪华版》，课程包括图像分类，语义分割，目标检测三大领域，共7个完整项目！提供所有的代码和数据下载！

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