道路分割
客观的
在自动驾驶的情况下，给定前摄像头视图，汽车需要知道道路在哪里。 在这个项目中，我们训练了神经网络，通过使用一种称为完全卷积网络（FCN）的方法来标记图像中道路的像素。 在此项目中，使用KITTI数据集实施FCN-VGG16并对其进行了培训，以进行道路分割。
演示版
（单击以查看完整的视频）
1代码和文件
1.1我的项目包括以下文件和文件夹
是演示的主要代码
包含单元测试
包含一些帮助程序功能
是带有GPU和Python3.5的环境文件
文件夹包含KITTI道路数据，VGG模型和源图像。
文件夹用于保存训练后的模型
文件夹包含测试数据的细分示例
1.2依赖关系和我的环境
Miniconda用于管理我的。
Python3.5，tensorflow-gpu，CUDA8，Numpy，SciPy
操作系统：Ubuntu 16.04
CPU：Intel:registered:Core:trade_mark:i7-68
2023-03-07 22:08:53
57.98MB
1
PyTorch用于语义分割
该存储库包含一些用于语义分割的模型以及在PyTorch中实现的训练和测试模型的管道
楷模
Vanilla FCN：分别为VGG，ResNet和DenseNet版本的FCN32，FCN16，FCN8（ ）
U-Net（ ）
SegNet（ ）
PSPNet（）
GCN（）
DUC，HDC（）
需求
PyTorch 0.2.0
PyTorch的TensorBoard。 安装
其他一些库（在运行代码时查找丢失的内容：-P）
制备
转到models目录并在config.py中设置预训练模型的路径
转到数据集目录并按照自述文件进行操作
去做
DeepLab v3
2021-11-03 14:39:51
1.52MB
1
UNet / FCN PyTorch
该存储库包含U-Net和FCN的简单PyTorch实现，这是Ronneberger等人提出的深度学习细分方法。 和龙等。
用于训练的合成图像/遮罩
首先克隆存储库并cd到项目目录。
import matplotlib . pyplot as plt
import numpy as np
import helper
import simulation
# Generate some random images
input_images , target_masks = simulation . generate_random_data ( 192 , 192 , count = 3 )
for x in [ input_images , target_masks ]:
print ( x . shape )
print ( x . m
2021-09-22 17:34:13
160KB
1