给大家分享一套课程——Pytorch生物医学视觉深度学习课程（图像分类+语义分割+目标检测），共26章，提供课程配套的全部代码+课件+数据下载。包括图像分类，语义分割，目标检测三大领域，共7个完整项目。

unet_semantic_segmentation 在InteractiveSegmentation数据集（PyTorch）上使用U-Net模型进行语义分割

【AI科技大本营导读】目前，计算机视觉是深度学习领域最热门的研究领域之一。计算机视觉实际上是一个跨领域的交叉学科，包括计算机科学（图形、算法、理论、系统、体系结构），数学（信息检索、机器学习），工程学（机器人、语音、自然语言处理、图像处理），物理学（光学），生物学（神经科学）和心理学（认知科学）等等。许多科学家认为，计算机视觉为人工智能的发展开拓了道路。那么什么是计算机视觉呢？这里给出了几个比较严谨的定义：“对图像中的客观对象构建明确而有意义的描述”（Ballard＆Brown，1982）“从一个或多个数字图像中计算三维世界的特性”（Trucco＆Verri，1998）“基于感知图像做出对客观

FDA：用于语义分割的傅里叶域自适应。 这是2020年CVPR发布的论文的Pytorch实施。 使用傅里叶变换，可以通过样式转换轻松调整域。 FDA不需要深入的网络来进行样式转换，也不需要任何对抗培训。下面是建议的傅里叶域自适应方法的示意图： 步骤1：将FFT应用于源图像和目标图像。 步骤2：将源幅度的低频部分替换为目标幅度的低频部分。 步骤3：将逆FFT应用于修改后的源频谱。 用法 FDA演示 python3 FDA_demo.py FDA用于域适应的一个例子。 （来源：GTA5，目标：CityScapes，β为0.01） 使用FDA的Sim2Real Adaptation（单个beta） python3 train.py --snapshot-dir ='.. / checkpoints / FDA'--init-weights ='.. / checkpoints / FDA /

基于segnet模型的对cityscapes数据集的语义分割代码实现

随着自动驾驶及虚拟现实技术等领域的发展，图像语义分割方法受到越来越多的计算机视觉和机器学习研究人员的关注。首先介绍了图像语义分割领域的常用术语以及需要了解的背景概念，并介绍语义分割问题中几种经典的深度学习算法，如全卷积神经网络(FCN)、Deeplab等。最后针对当前图像语义分割算法的应用，总结展望未来研究方向。

能较好实现图形图像的语义分割，对进行图形图像处理的初学者有较好的帮助

基于U-Net模型, 提出了一个全卷积网络(FCN)模型, 用于高分辨率遥感图像语义分割, 其中数据预处理采用了数据标准化和数据增强, 模型训练过程采用Adam优化器, 模型性能评估采用平均Jaccard指数。为提高小类预测的准确率, 模型中采用了加权交叉熵损失函数和自适应阈值方法。在DSTL数据集上进行了实验, 结果表明所提方法将预测结果的平均Jaccard指数从0.611提升到0.636, 可实现对高分辨率遥感图像端到端的精确分类。

语义分割是计算机视觉中的重大挑战之一。 最近，深度卷积神经网络（DCNN）在大多数计算机视觉任务中都取得了巨大的成功。 但是，就语义分割而言，DCNN方法仍然难以充分利用上下文信息并确定对象的精细边界。 在本文中，我们提出了一种上下文感知网络（CNet），该网络利用健壮的上下文信息来改善分割结果。 CNet具有两个重要组成部分：1）特征收集模块（FCM），其构造为通过不同的接受域提取低级上下文特征，包括纹理，布局，边界，局部和全局关系，以补充高级特征学习，以及2）名为ResGate的新颖层，开发该层是为了从FCM中选择健壮的上下文特征。 这两个组合的组件可以彻底探索上下文信息，以提高边界分割的准确性。 我们在流行的PASCAL VOC2012数据集上评估了所提出的方法，并与相关方法相比获得了有希望的性能，特别是在相似对象或复杂场景中的对象的情况下。

CamVid数据集包括700多张精准标注的图片用于强监督学习，可分为训练集一、验证集、测试集。同时，在CamVd数据集中通常使用11种常用的类别来进行分割精度的评估，分别为:道路(Road)、交通标志(Symbol)、汽车(Car)、天空(Sky)、行人道(Sidewalk)、电线杆(Pole)、围墙(Fence)、行人(Pedestrian)、建筑物(Building)、自行车(Bicyclist) 、树木(Tree)。注意背景是0，所以这里给类别的时候是给12，而不是11