语义分割的有效解决方案：具有无可分离卷积的ShuffleNet V2
我们提出了一种计算有效的语义分割方法，同时实现了对Cityscapes挑战的70.33％的高均值交集（mIOU）。 建议的网络能够在移动设备上实时运行。
纸：
如果您发现该代码对您的研究有用，请考虑引用我们：
@InProceedings{turkmen2019efficient,
author = {Sercan T{ \" u}rkmen and Janne Heikkil{ \" a}},
title = {An Efficient Solution for Semantic Segmentation: {ShuffleNet} V2 with Atrous Separable Convolutions},
booktitle = {Image Analysis},
year
2022-10-26 15:57:11
71KB
1
DoubleU-Net：用于医学图像分割的深度卷积神经网络
DoubleU-Net以VGG19作为编码器子网开始，其后是解码器子网。在网络中，输入图像被馈送到修改后的UNet（UNet1），后者会生成预测的蒙版（即output1）。然后，我们将输入图像与生成的蒙版（即output1）相乘，该蒙版用作第二个修改的U-Net（UNet2）的输入，该第二个U-Net（UNet2）生成另一个生成的蒙版（output2）。最后，我们将两个掩码（输出1和输出2）连接起来，以获得最终的预测掩码（输出）。
请在此处找到论文： ，Arxiv：
建筑学
数据集：
本实验使用以下数据集：
MICCAI 2015细分挑战赛（用于培训的CVC-ClinicDB和用于测试的ETIS-Larib）
CVC诊所数据库
病变边界分割挑战/ li>
2018数据科学碗挑战赛
超参数：
批次大小= 16
纪元数= 300
2022-04-30 19:47:03
1.49MB
1
图像分割
该项目在实现了用于语义分割的神经网络。
项目概况
该项目的主文件是convolutional_autoencoder.py ，其中包含用于数据集处理的代码（数据集类），模型定义（模型类）以及训练代码。
为了抽象模型中的图层，我们创建了layer.py类接口。 此类当前具有两个实现： conv2d.py和max_pool_2d.py 。
要推断训练后的模型，请查看infer.py文件。
最后，有几个文件夹：
数据*包含预处理的数据集（请注意，当前模型实现应至少与128x128图像一起使用。）
imgaug包含用于数据扩充的代码（ ）
noteboks包含一些有趣的图像分割
2021-07-02 22:41:15
129.37MB
1