图像分割
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。
==== |
====== |
========= |
======= |
===== |
==== |
==== |
==== |
======= |
======= |
============ |
========
图像分割
========
Unet 论文解读&代码解读
深度学习中的图像分割：方法和应用
图像分割 | TensorFlow Core
| RefineNet 2016 | PSPNet， 2016.12 |
| 语义分割经典——RefineNet详解 | PSPNet运行及训练 |
| 图像分割之RefineNet 论文笔记 | |
| DeepLabv3 + ： v1:2014.V2: 2016; V3: 2017;V3+:2018 | GCN ，2017.3 |
| DeepLab系列之V3+ | GCN-Global Convolutional Network |
| DeepLabv3+：语义分割领域的新高峰 | |
| DSSPN，2018 | Attention Mechanism Based |
| CVPR 2018：新型语义分割模型：动态结构化语义传播网络DSSPN | 基于注意力的语义分割之PSANet、DANet、OCNet、CCNet、EMANet、SANet等 |
| 动态结构化语义传播网络DSSPN | |
| OCNet，2018 | BiSenet，2018.8 |
| 图像语义分割(13)-OCNet: 用于场景解析的目标语义网络 | BiSenet论文理解 |
| CCNet，2018.11 | Fast-SCNN，2019 |
| CCNet: Criss-Cross Attention for Semantic Segmentation论文解读 | 语义分割之Fastscnn原理以及代码讲解 |
| DANet，2019 | FastFCN，2019 |
| DANet论文及代码阅读笔记 | 图像语义分割(14)-FastFCN: 重新思考语义分割模型主干网络中的扩张卷积 |
| DFANet-Model(pytorch版本) | |
| DFANet，2019 | ACE，2019 |
| 实时语义分割DFANet | ACE: Adapting to Changing Environments for Semantic Segmentation |
| Segmenter，2021.05 | |
| Segmenter: Transformer for Semantic Segmentation | |
| Segmenter：语义分割Transformer | |
| rstrudel/segmenter （源码） | |
数据集：
PASCAL VOC2012 数据集详解 | || 数据集下载地址：benchmark_RELEASE：下载地址 voc2012：下载地址
VOC2012数据集注解 || VOC2012官网介绍
MS COCO数据集详解 || 数据集官网首页 || 语义分割评价指标--mIOU