模型在FloodNet数据集上进行了训练，mIOU在0.83左右，可训练自己的数据集 建议在训练网络的时候将输入的训练集其切分为384x384的小图片后，再来进行训练 模型采用标准的UNet，可以采用如下方式训练你自己的模型 数据集地址可以在train.py中修改为你自己的文件夹 python train.py -- --epochs 20 --batch-size 16 --learning-rate 2e-4 --scale 1 --validation 0.1 --classes 10 --amp 其中--amp为半精度训练 --scale是训练的时候对图片进行缩放，已经裁剪为384x384后就不需要再裁剪了

为了在函数空间内将多个三维模型进行关联,并在整个模型簇上进行协同分割,提出了一种基于点云稀疏编码的三维模型簇协同分割方法。首先,提取点云数据特征,将三维信息转换至特征空间;其次,用深度学习网络将特征向量分解成基向量,并构建字典矩阵及稀疏向量;最后,对测试数据进行稀疏表示,并确定点云模型中每个点所属的类别,将同类点划分到同一区域以得到协同分割结果。实验结果表明,算法在ShapeNet Parts数据集上的分割准确率达到了85.7%。所构建的协同分割算法能够有效地计算模型簇的关联结构,与当前主流分割算法相比,分割效果和准确率均得到提升。

该数据集分为两部分 JPEGImages是存放人像数据集的文件 SegmentationClass是经过二值化处理的标签文件

基于区域的图像分割基本上已由 Chan-Vese (CV) 模型解决。 然而，当图像受到超过实际图像对比度的伪影（异常值）和光照偏差的影响时，该模型会失败。 在这里，我们实现了一个用于分割此类图像的模型。 在单个能量函数中，我们引入了 1) 防止强度异常值扭曲分割的动态伪像类，以及 2) 以 Retinex 方式，我们将图像分解为分段常数结构部分和平滑偏置部分。 然后，CV 分割项仅作用于结构，并且仅作用于未被识别为工件的区域。 分割使用相场参数化，并使用阈值动态有效地最小化。 有关理论和算法的完整描述，请参阅 D. Zosso、J. An、J. Stevick、N. Takaki、M. Weiss、LS Slaughter、HH Cao 的论文“Image Segmentation with Dynamic Artifacts Detection and Bias Correction”

该数据有32,203张图像，人脸分割模型，文件包括一个人脸检检测模型用来定位人脸在图像中的位置。 该数据有32,203张图像，人脸分割模型，文件包括一个人脸检检测模型用来定位人脸在图像中的位置。

cartoon的分割模型啦啦啦

本资源是语义分割模型 DeeplabV3plus 的 pytorch 复现，其 backbone 包括 Xception、Resnet101 和 MobilenetV2。 项目仅提供代码，没有给出训练后的模型！

官方分割模型nnUnet的github仓库项目

天池地表建筑物语义分割模型 FCN

简介：自行搭建的分割模型（2D-二分类任务），包括数据加载、预处理、训练、验证、测试和模型保存等功能。 数据集：数据集下载地址为官网，下载后按照数据加载方式自行放置在相应目录下即可。并且数据集也是公开的。如果找不到，可私信我。 包含：U-Net、AttenU-Net、R2AttU-Net三种常见网络模型，用户可自行下载其他网络放置在项目内进行对比实验。 环境：环境配置比较简单，python37环境下直接pip库就可。本项目使用了torch框架，比较简单易懂，没有很难理解的地方，比github上公开的论文代码要简单很多。 特色：可以根据预测和标签的边缘在原始图像中绘制出边界；可以对比多种不同类型的分割模型，可扩展性强；适合入手深度学习分割方向的新手；代码简单易懂，都是常用的方法，封装不严重，逻辑性强。下载的用户若有不懂的地方，可评论或者私信我，我会一一解答，咱们共同进步。 备注：自行搭建的代码，思路逻辑若与大佬的代码雷同，纯属巧合。本代码是我发论文用的代码的简化版本，论文还未正式发表，因此后续会尽快公开更全的代码。