cityscapes 数据集，整体较大，一共12g，这边分开传输

yolo实现语义分割（cityscapes数据集）附源码 语义分割是当今计算机视觉领域的关键问题之⼀。从宏观上看，语义分割是⼀项⾼层次的任务，为实现场景的完整理解铺平了道路

网上大部分cityscapes转VOC的代码都不完整，所以写了这个完整转换VOC格式的脚本 注意事项： cityscapes_root需要自行修改，应设为leftImg8bit_trainvaltest和gtFine_trainvaltest所在的目录。 由于cityscapes的中并不包含VOC中的truncated和difficult信息，所以将所有object中truncated和difficult的值都设为0。 cityscapes数据集，通常将val作为test集用于验证性能，因为官方没有放出test集的标注，目的是防止有人用test集训练，在网站上刷分。

BDD、KITTI、Cityscapes和Foggy Cityscapes百度云链接-附件资源

DSR-semantic-segmentation:DSR方法在CityScapes数据集上进行语义分割

街道场景的语义分割 1）下载资料 脚步 转到 （需要创建帐户） 下载gtFine_trainvaltest.zip和leftImg8bit_trainvaltest.zip 解压缩并将它们放到同一文件夹中 删除gtfine和leftImg8bit内的test目录，这些注释是虚拟注释。 使用data_folder_format.ipynb从每个城市文件夹中提取原始图像和注释，并将它们组合为一个用于图像的大文件夹和一个用于注释的大文件夹。 2）建立用于图像分割的TFRecords数据集 由于我们正在使用的数据集可能太大而无法容纳到内存中，因此我们需要一种在训练过程中连续从磁盘流式传输数据的方法。 这是使用TensoFlow的tf.data.dataset API完成的，该API需要我们将数据集序列化为.tfrecords文件。 使用dataset_build.ipynb来执行此过程，该

（新）还对DecoupleSegNets进行了验证，以处理边界对于任务很重要的分割情况。我们将在此仓库中发布相关代码和文件。 解耦隔离网 此回购包含我们ECCV-2020工作的实施：通过分离的主体和边缘监督改进语义分割。 这是北京大学，牛津大学和Sensetime Research的联合工作。 （非常感谢Sensetimes的GPU服务器） 欢迎任何建议/问题/拉取请求。 它还包含对我们之前的AAAI-2020工作（口头）的重新实施。 GFFNet：Gated Fully Fusion用于语义分割，它也可以在CityScapes上获得最新的结果： 解耦隔离网 GFFNet 数据集准备 提供了适用于Cityscapes，Mapillary，Camvid，BDD和Kitti的加载器。可以在找到准备每个数据集的详细信息。 要求 pytorch> = 1.2.0顶点opencv-python 模

Cityscapes数据集的介绍-附件资源

BiSeNetV1 和 BiSeNetV2 我对和。 cityscapes val 集上的 mIOUs 和 fps： 没有任何 SS 共享单车 无国界医生 mscf fps(fp16/fp32) 关联 bisenetv1 75.44 76.94 77.45 78.86 68/23 bisenetv2 74.95 75.58 76.53 77.08 59/21 cocostuff val2017 集上的 mIOU： 没有任何 SS 共享单车 无国界医生 mscf 关联 bisenetv1 31.49 31.42 32.46 32.55 bisenetv2 30.49 30.55 31.81 31.73 提示： ss表示单尺度评价， ssc表示单尺度作物评价， msf表示带翻转增强的多尺度评价， mscf表示带翻转评价的多尺度作物评价。

BDD、KITTI、Cityscapes和Foggy Cityscapes百度云链接-附件资源