搜索资源列表
ANewImageRetrievalMethodUsingObjectSemantics
- 为了降低图像高层语义与低层视觉特征之间的语义差异,本文以对象描述模型为基础,提出利用机器转换模型获取图像高层语义的方法。本方法首先利用图像分割技术对图像进行分割,然后利用机器学习的方法,得到训练样本集中高层语义与分割后低层视觉特征之间的先验概率关系 在查询的过程中,利用得到的先验概率模型计算与高层语义所对应的最大概率视觉低层特征,最后利用该低层特征进行检索,达到缩短高层语义与低层特征之间的语义差异的目的。在一个拥有5000 幅图像的图像库上所做的测试结果表明了该方法的有效性和可行性,同时该方法也
segment
- 一个快速的图像分割算法，该算法速度非常快，并且能识别纹理，所以分割结果很具语义性。-A fast image segmentation algorithm is very fast, and can identify the texture, so the result is a segmentation semantic.
iccv09-sceneDecomposition
- 斯坦福的牛人写的基于语义的图像分割，发表宰了ICCV2009上，很值得参考。-Stanford' s cattle were written based on semantic image segmentation, published slaughtered ICCV2009 on worth considering.
TextonBoostSplits
- Sxena等人发表的关于图像语义分割的源代码，C#代码，包含训练需要的数据集和测试集-Sxena, who published the image semantic segmentation on the source code, C# code, including training needs of the data set and test set
imagetreatplat
- 图像树 图像分割 特征提取 包含低级特征 高层语义映射-Image feature extraction image segmentation tree low-level features include high-level semantic mapping
mask
- 就如何从视频序列中分割出具有语义意义的运动对象 ,本文提出了一种自动的基于背景的运动对象分割算法 ,利用颜色、形状和灰度等特征对第一帧图像进行初步分割 ,然后根据帧间运动信息构造背景图像 ,最后以背景图像和帧差图像作为参考图像 ,对同一场景中的所有视频帧进行快速可靠的分割 。-On how to split out from the video sequences of moving objects with semantic meaning, this paper presents a con
denseCRF_matlab-master
- MIT的nips11文章的matlab实现，全连接crf做图像语义分割示例，代码很清晰，方便自己改进-matlab implementation of MIT s paper in nips11 articlesFully connected crf do semantic image segmentation example, the code is very clear, easy to improve themselves
MRF-ICM 也是先聚类再算的 里面有论文
- 利用马尔科夫随机场对图像进行语义分割，通过ICm求解参数，可以运行，对初学者有较好的借鉴作用(Using Markov random field to semantic segmentation of images, through ICm solution parameters, can run, for beginners have a good reference)
sigma点的代码
- 基于分割的局部Sigma语义特征点，是对场景中的语义目标进行建模。先在传统的图像分割基础上，分割出场景的前景目标，再结合像素位置、颜色、Gabor特征和LBP特征[构造出表征目标语义信息的协方差描述子，最后将其转换成欧式空间下的Sigma点特征，适用于标准SVM的场景学习和分类。(The segmentation based local Sigma semantic feature points are modeling the semantic objects in the scene. In
crfasrnn_keras-master
- Conditional Random Fields as Recurrent Neural Networks 论文中提供的方法，在tensorflow上实现(The method provided in the paper Conditional Random Fields as Recurrent Neural Networks which is implemented on tensorflow)
unet-master
- 基于tensorflow的u_net的实现(Implementation of u_net based on tensorflow)
ALE
- 实现图像语义分割的C++程序， Oxford的ALE，作者Lubor Ladicky，花了5年时间完成这套代码，这是他在博士期间的工作，c++代码写得很规范，依赖库只有DevIL，需要耐心仔细地结合论文看才能看懂。(Semantic image segmentation of the C++ program, Oxford ALE, Lubor Ladicky, took 5 years to complete this code, this is his doctoral work, c++
drn
- dilated network用于图像的语义分割。(an example to dilated netqork)
crfasrnn_keras-master
- 利用keras框架来实现语义分割，进行更准确的图像识别(Semantic segmentation using a framework and to make more accurate image recognition)
salience_object_detection-master
- 用深度学习框架Pytorch的图像语义分割(Image semantic segmentation using deep learning framework Pytorch)
opencv-semantic-segmentation
- 基于opencv的道路图像语义分割，用全卷积网络实现的(Road image semantics segmentation based on OpenCV and implemented by full convolution network)
Semantic-Segmentatiomaster
- 遥感图像的语义分割，分别使用Deeplab V3+(Xception 和mobilenet V2 backbone)和unet模型(Semantic segmentation of remote sensing images using Deeplab V3+ (Xception and Mobilenet V2 backbone) and UNET models)
人脸语义分割
- 能够对目标人物图像进行自动识别，并且完成精细的人脸语义分割
Unet
- UNet最早发表在2015的MICCAI上，短短3年，引用量目前已经达到了4070，足以见得其影响力。而后成为大多做医疗影像语义分割任务的baseline，也启发了大量研究者去思考U型语义分割网络。而如今在自然影像理解方面，也有越来越多的语义分割和目标检测SOTA模型开始关注和使用U型结构，比如语义分割Discriminative Feature Network(DFN)(CVPR2018)，目标检测Feature Pyramid Networks for Object Detection(FP