场景分割的上下文优先（CVPR2020） 实现。 消息 核心代码的简单版本已发布。 它基于mmsegmentation。 您可以将代码集成到mmseg中以运行实验。 最近，我忙于求职和博士学位论文。 经过这段时间之后，我将发布完整版本。 我们在ADE20K val集上达到46.3％的平均IoU，在PASCAL-Context上达到53.9％的mIoU，在Cityscapes上达到81.3％的mIoU。 表现 引文 如果可以帮助您的研究，请考虑在您的出版物中引用ContextPrior。 @inproceedings{Yu-CVPR-ContextPrior-2020, title={Context Prior for Scene Segmentation}, author={Yu, Changqian and Wang, Jingbo and Gao, Changxin an

，，，，包军，方志伟和路汉青 介绍 我们提出了一种双重注意网络（DANet），可以根据自我注意机制将局部特征与其全局依赖项进行自适应集成。 而且，我们在三个具有挑战性的场景分割数据集（即Cityscapes，PASCAL Context和COCO Stuff-10k数据集）上实现了最新的分割性能。 城市景观测试设置结果 我们仅使用精细的注释数据来训练DANet-101，并将测试结果提交给官方评估服务器。 更新 2020/9 ：更新代码，该代码支持Pytorch 1.4.0或更高版本！ 2020/8：新的TNNLS版本DRANet在Cityscapes测试集上达到 （在2019年8月提交结果），这是仅使用精细注释数据集和Resnet-101的最新技术性能。 该代码将在发布。 2020/7：在MMSegmentation上支持 ，其中，在Netscapeval set上，DANet的单比

双重注意力网络：中科院自动化所提出新的自然场景图像分割框架（附源码）。本文提出了一个新的自然场景图像分割框架，以往的方法更为灵活、有效，在三个场景分割数据集Cityscapes、PASCAL Context 和 COCO Stuff上取得了当前最佳分割性能。

基于立体视觉的道路场景分割与车辆检测算法研究_王泽运 论文