注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. cityscapes公开数据集

  2. 语义分割公开数据集，其中train因为太大，被分成train1和train2两个部分。具体描述请参考 https://blog.csdn.net/avideointerfaces/article/details/104139298?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522160147267619195246621825%2522%252C%2522scm%2522%253A%252220140713.130102334.pc

  3. 所属分类：深度学习

    • 发布日期：2020-09-30
    • 文件大小：76byte
    • 提供者：ltshan139

  1. 基于深度学习的语义分割.rar

  2. 在ubuntu16.04+cuda9.0+cudnn7.6.0+tensorflow- gpu1.14.0的环境下用Cityscapes数据集训练deeplabv3+ 模型,对训练后的模型进行评估，测试及可视化。 将预测图片的代码封装成动态链接库(.so文件)，可以方便实现跨平台调用语义分割模型。 整个项目工程及详细的word报告

  3. 所属分类：Linux

    • 发布日期：2020-11-17
    • 文件大小：154mb
    • 提供者：Alon_0

  1. SMIS:语义多模态图像合成（CVPR 2020）-源码

  2. 语义多模态图像合成 // 语义多模态图像合成（CVPR2020）。朱震，徐志良，游安生，白翔 要求 火炬> = 1.0.0 火炬视觉 支配 莳萝 scikit图像 tqdm 的OpenCVPython的 入门 数据准备 深度时尚注意：我们提供了数据集的示例。由于COVID-19的影响，这与本文中使用的DeepFashion略有不同。 城市风光可以在下载Cityscapes数据集 ADE20K ADE20K数据集可在下载 测试/训练模型 从下载经过预训练的模型的tar。将其保存在checkp

  3. 所属分类：其它

  1. bisenetv2-tensorflow:实时场景图像分割模型“ BiSeNet V2”的非官方张量流实现-源码

  2. BiseNetv2-Tensorflow 使用张量流实现基于论文“ BiSeNet V2：带有引导聚合的实时语义分割的双边网络”的实时场景图像分割模型。有关详细信息，您可以参考 。 主要的网络架构如下： Network Architecture 安装 该软件仅在带有GTX-1070 GPU的ubuntu 16.04（x64），python3.5，cuda-9.0，cudnn-7.0上进行了测试。要使用此仓库，您需要安装tensorflow-gpu 1.12.0，并且尚未测试其他版本的tenso

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：62mb
    • 提供者：weixin_42166918

  1. monoResMatch-Tensorflow:单眼残差匹配（monoResMatch）网络的Tensorflow实现-源码

  2. monoResMatch-Tensorflow 学习融合传统立体知识的单眼深度估计 ， ， 和 CVPR 2019 建筑学 单眼残差匹配（monoResMatch）网络的Tensorflow实现。 要求 该代码已在Tensorflow 1.8，CUDA 9.0和Ubuntu 16.04上进行了测试。 训练 城市风光 CityScapes数据集包含在不同天气情况下从行驶中的车辆中获取的有关德国约50个城市的立体声对。 它包括22,973对立体声，分为火车，验证和测试集。 您可以在./util

  3. 所属分类：其它

  1. Unet：具有城市景观和kitti数据集的Unet-源码

  2. UNet：使用PyTorch进行语义分割 使用Cityscapes和Kitti数据集 用法 注意：使用Python 3.6或更高版本 预言 训练好模型并将其保存到MODEL.pth后，您可以通过CLI轻松测试图像上的输出蒙版。 要预测单个图像并保存，请执行以下操作： python predict.py -i image.jpg -o output.jpg 要预测多幅图像并显示它们而不保存它们，请执行以下操作： python predict.py -i image1.jpg image2

  3. 所属分类：其它

    • 发布日期：2021-03-02
    • 文件大小：12mb
    • 提供者：weixin_42119989

  1. ShelfNet：论文“ ShelfNet的快速语义分割”的实现-源码

  2. ShelfNet-lightweight for paper（ ） 此回购包含ShelfNet轻量级模型的实现，用于Cityscapes上的实时模型。 对于实时任务，我们在Ctiyscapes数据集上达到了74.8％mIoU，速度为59.2 FPS（对于BiSeNet，为61.7 FPS，在GTX 1080Ti GPU上为74.7％）。 对于非实时任务，我们使用ResNet34骨干在Cityscapes测试集上实现了79.0％的mIoU，超过其他具有ResNet50或Resnet 101骨

  3. 所属分类：其它

    • 发布日期：2021-02-28
    • 文件大小：584kb
    • 提供者：weixin_42099755

  1. COLAB_UPSNet-源码

  2. COLAB_UPSNet 在Google colab上运行UPSNet。 以下是说明： UPSNet_Colab_GDrive_DataSet.ipynb-测试和训练UPSNet，将城市景观数据集保留在GDrive上。 UPSNet_Colab_Local_DataSet.ipynb-测试和训练UPSNet，将城市景观数据集保留在colab空间中。 TrainedModel-包含经过训练的模型文件，可直接用于测试目的。 这些文件需要放在以下位置的输出文件夹中：output \ upsne

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：28mb
    • 提供者：weixin_42140710

  1. 一种融合FC-CRF的密集网络语义分割方法

  2. 针对目前多数图像语义分割方法边界定位不准确、分割模糊的问题，借助RM-DenseNet通过WDB进行循环连接来增加编码器中密集块的宽度，并综合考虑超宽密集块对语义分割结果的影响，最后在输出之前融合FC-CRF设计了一种面向图像语义分割的密集网络模型。实验使用CityScapes数据集，从定性和定量两个方面进行对比，以mIoU作为量化指标评价网络性能，并由测试结果显示改进的网络得到更高的语义分割精度。本文提出的融合FC-CRF密集网络图像语义分割方法， 不仅使得分割不同语义区域的边界明确且规整，且

  3. 所属分类：其它

  1. network-deconvolution-pp-源码

  2. 在训练深度神经网络中利用不变性 受动物视觉系统中两种基本机制的启发，我们引入了一种特征转换技术，该技术在训练深度神经网络时强加不变性。 生成的算法需要较少的参数调整，可以以1.0的初始学习率很好地训练，并且可以轻松地推广到不同的任务。 我们使用数据中的本地统计数据来执行尺度不变性，以对齐在不同情况下生成的相似样本。 为了加快收敛速度​​，我们使用从批次提取的全局统计信息来强制执行GL（n）-不变性，即在基础变化下梯度下降解应保持不变。 经过对ImageNet，MS COCO和Cityscapes

  3. 所属分类：其它

  1. deeplabv3.rar

  2. Pytorch+Deeplabv3实现CityScapes数据集训练与测试

  3. 所属分类：互联网

    • 发布日期：2021-03-29
    • 文件大小：758mb
    • 提供者：qq_41964545