【图像分割】走进基于深度学习的图像分割
DeepLabv3+
Mask-R-CNN
Transformer
====================================================================
Pascal VOC
地址链接：http://host.robots.ox.ac.uk/pascal/VOC/
VOC 数据集分为20类，包括背景为21类，分别如下：
• Person: person
• Animal: bird, cat, cow, dog, horse, sheep
• Vehicle: aeroplane, bicycle, boat, bus, car, motorbike, train
• Indoor: bottle, chair, dining table, potted plant, sofa, tv/monitor
在VOC数据集中展示用于分割比赛的具体实例。这些实例具体包括原始图片、图像分类分割图以及图像物体分割图，并采用PNG格式保存。其中，在图像分类分割部分中，在 ground-truth 图片上每个目标物体会被赋予独特的边界填充颜色。这些边界通常由特定的颜色编码方案来表示，并且总共有 20 种不同的颜色编码方案被应用。
MS COCO
地址链接：https://cocodataset.org/#home
MS COCO 是当前最权威的图像分割基准数据集，在该集合中涵盖了80个不同的类别。该集合包含超过33万张高质量图像，并提供约66,000张具有标注的数据样本。该数据集中包含超过150万个独立样本，并以其复杂度和挑战性著称。
Cityscapes
地址链接：https://www.cityscapes-dataset.com/
Cityscapes 是一项在自动驾驶领域广泛应用的图像分割基准数据集，在该基准中包含了大量高质量的城市场景图片。其中包含5,000张高度精确标注的图片以及2万张较粗略标注的照片。这些图片涵盖了涵盖50个不同城市的丰富场景、多样化的背景以及多样的街景类型。这些物体具体涵盖地面物体、建筑结构、交通标识牌、自然景观、天空景象以及人与车辆等各类元素。其评测体系包含两个主要任务：基于像素级别的语义分割技术以及基于实例级别的实例分割方法。
ADE20K
官网：http://groups.csail.mit.edu/vision/datasets/ADE20K/
整个数据集（涵盖了所有图像及其分割信息）的规模达到了3.8GB。其中训练数据集包含了约2万零多张图片（具体为2万零二十多张），而验证数据集则包含了约两百多张图片。这些数据主要涵盖的主要场景类型包括室内环境、户外环境以及自然景观等。每个特定场景类别共有150种不同的分类
==================================================================
Binary Cross Entropy
Weighted Cross Entropy
Balanced Cross Entropy
Dice Loss
Focal loss
Tversky loss
Focal Tversky loss
log-cosh dice loss
=======================================================================
segmentation_models_pytorch是一个基于PyTorch的图像分割神经网络
现在丰富多样的网络平台提供了大量的学习资源，在尚未拥有一套较为全面的学习资料时，并没有急于开始深入研究第一节内容而是采取了更为审慎的态度对这套资料的价值进行了评估偶尔也会向有经验的学长请教如果觉得合适的话将对这一套学习资料进行详细规划涵盖课程安排图谱和进度追踪表格
分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习
个人经历表明，在2006年获得上海交通大学理学学士学位后，在中小型企业发展时期积累了实践经验。随后从2018年开始，在华为、OPPO等知名企业中也有过工作经历。于2018年加入阿里巴巴集团，并持续至今。
意识到大多数初级至中级的Python工程师希望提升专业技能水平。他们通常通过自主学习或参加系统培训来实现目标。然而这些成体系的学习方式能够显著提高效率同时节省时间但遇到技术瓶颈时往往难以突破。
经过精心整理的一份《2024年Python爬虫全套学习资料》作为礼物送给各位读者。这份学习资料的初衷非常简单明了——那就是为了帮助那些想通过自学来提升技能却又不知道从何入手的朋友。同时能够让大家的学习压力得到缓解。
因为文件较大
如果你觉得这些内容对你有帮助，可以添加下面V无偿领取！（备注：python）
里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频**
如果觉得这些内容对你有所裨益，则可前往该链接免费获取。（备注：该资源为Python相关）