许多研究表明，我们可以通过猪的日常行为来推断其健康状态，所以如何有效观察「猪」的行为显得极其重要，这可以保证我们在「必要时」采取迅速的干预行动，以保证猪的健康状态。 长时间观察动物的行为很难人工完成，因此通常情况下采取的方案是使用基于传感器的自动化系统。 自动识别系统的使用可以大大简化对猪的行为的研究，尤其是基于计算机视觉的系统。其优势在于，它们可以对目标进行有效的状态评估，同时也不会影响动物的正常行为。近年来，这一方向的研究已经引入了深度学习的方法，并表现出不错的效果。传统意义上的「目标」和「关键点」检测器已被用于检测单个动物。虽然效果良好，但是边界框以及稀疏关键点无法追踪动物的轮廓，从而会导致丢失许多有效信息。

EfficientPS：有效的全景分割 EfficientPS是用于全景分割的最先进的自顶向下方法，其目标是为输入图像中的每个像素以及实例标签分配语义标签（例如，汽车，道路，树木等） （例如ID为1、2、3等）到属于事物类别的像素。 该存储库包含IJCV'2021论文的PyTorch实现。该存储库建立在和代码库的基础上。 如果您发现该代码对您的研究有用，请考虑引用我们的论文： @article{mohan2020efficientps, title={Efficientps: Efficient panoptic segmentation}, author={Mohan, Rohit and Valada, Abhinav}, journal={International Journal of Computer Vision (IJCV)}, year={2021} }

单一网络全景分割，了解街景 再现结果的代码在Daan de Geus，Panagiotis Meletis，Gijs Dubbelman ，用于街道场景理解的单网络全景分割，IEEE智能车辆专题讨论会2019中提出。 链接到关于arXiv的论文： : 如果您发现我们的工作对您的研究有用，请引用以下论文： @inproceedings{panoptic2019degeus, title={Single Network Panoptic Segmentation for Street Scene Understanding}, author={Daan {de Geus} and Panagiotis Meletis and Gijs Dubbelman}, booktitle={2019 IEEE Intelligent Vehicles Symposium (IV)}

在计算机视觉领域，全景分割是一个新颖且重要的研究问题，它是机器感知、自动驾驶等新兴前沿技术的基石，有着十分重要的研究意义.

全景光 全卷积网络用于全景分割 李彦伟，赵恒双，齐晓娟，王立伟，李泽明，孙健，贾佳亚 [ ] [ ] 该项目为基于的CVPR 2021口头论文“”提供了实现。 Panoptic FCN是一个概念上简单，强大且有效的全景图分割框架，它在统一的全卷积流水线中表示和预测前景事物和背景事物。 安装 该项目基于 ，它可以按以下方式构造。 按照安装Detectron2。 按照设置数据集。 将此项目复制到/path/to/detectron2/projects/PanopticFCN 训练 要使用8个GPU训练模型，请运行： cd /path/to/detectron2 python3 projects/PanopticFCN/train.py --config-file --num-gpus 8 例如，要在8个GPU上使用ResNet-50主干网启动Pa