instance segmentation，实例分割，yolov8，ncnn，前后摄像头realtime实时

骰子系数 matlab代码MRI分割 用于大脑异常分割的 U-Net 模型的实现. 有关原始源代码的更多信息，请查看作者编写的代码和代码。 数据集 用于训练该模型的数据集是 ，可在 Kaggle 上获得。 它包含来自 110 名患者的数据。 数据由大小为 256x256x3 的 MRI 切片和相应的二进制掩码 256x256 组成。 患者的最小和最大切片数分别为 20 和 88。 训练 该网络使用 105 名患者进行训练，其余 5 名用于验证。 数据增强包括 -20 到 20 度之间的旋转、水平和垂直翻转。 损失是使用 计算的。 该模型在 GPU 上进行了 85 次训练。 检索具有最佳验证损失的权重以进行验证预测。 结果 平均验证准确率约为 88%。 下面切片中的绿色分割代表真实情况，红色分割代表模型的预测。 安装 要安装依赖项，请运行以下命令： pip install -r requirements.txt 如果使用 Conda，您还可以创建具有以下要求的环境： conda env create -f environment.yml 默认情况下，环境名称为mri-segmentati

道路分割 客观的 在自动驾驶的情况下，给定前摄像头视图，汽车需要知道道路在哪里。 在这个项目中，我们训练了神经网络，通过使用一种称为完全卷积网络（FCN）的方法来标记图像中道路的像素。 在此项目中，使用KITTI数据集实施FCN-VGG16并对其进行了培训，以进行道路分割。 演示版 （单击以查看完整的视频） 1代码和文件 1.1我的项目包括以下文件和文件夹 是演示的主要代码 包含单元测试 包含一些帮助程序功能 是带有GPU和Python3.5的环境文件 文件夹包含KITTI道路数据，VGG模型和源图像。 文件夹用于保存训练后的模型 文件夹包含测试数据的细分示例 1.2依赖关系和我的环境 Miniconda用于管理我的。 Python3.5，tensorflow-gpu，CUDA8，Numpy，SciPy 操作系统：Ubuntu 16.04 CPU：Intel:registered:Core:trade_mark:i7-68

DSR-semantic-segmentation:DSR方法在CityScapes数据集上进行语义分割

参考网上资源写的一个课程作业（分水岭分割算法），初步实现分水岭分割算法处理图片，配置环境是：win8.1+vs2015+opencv3.2.0。

基于meanshift算法的图像分割，里面包括测试程序，测试图片，可直接运行，也有详细的中文注释适合学习

matlab fcm函数代码FCM脑部MRI分割 在这个项目中，我们要模拟一篇有关脑部MRI图像分割的文章 在以下代码中有matlab代码：代码文件 基本上我们的大脑包括三个主要部分： 1- Gray matter (GM) 2- White matter (WM) 3- Cerebrospinal fluid (CSF) 在MRI图像中对脑的这些部分进行分割对于某些脑部疾病的诊断非常有帮助。 有一些细分方法： 1) FLICM a. Based on FCM and using a fuzzy local similarity measure to reduce the effect of the noise b. modified the FCM objective function by introducing a spatial penalty term 2) GMM a. models the pixel intensities by using a mixed Gaussian distribution b. reduce the segmentation sensitiv

这是一个python的肺结节分割代码，是我最近修改过的代码，希望给初学者提供参考，为大家提供思路。欢迎大家下载参考。希望可以给大家帮助

本文提出了一种肠道疼痛是一种确定的污染，为此，需要简短总结其控制性最终目标。 使用改进的工具来查看混乱情况。 如果关闭基地坚持完成，然后由疼痛可变成动态罕见状态。 图片准备检查用于查看吉姆萨（Giemsa）变色边缘血液测试的微薄传播中的疟疾发热寄生虫，恶性疟原虫种的亲密关系。 一些图片管理的估计被用于对弱血迹传播的疟疾发烧进行自动评估，但是寄生虫血症的程度可靠地不像手动检查那样无可争议。 拟议的系统通过使用图片准备图形来清洁人的滑倒，同时看到疟疾发热寄生虫的亲密关系。 这是通过评估两种观察肠道紊乱寄生虫的策略来创建的。 第一个结构依赖于划分； 第二种用途是使用最少分区分类器进行提取。 肠道污染区的结构提高了人们的可感染性，个性，建设性猜想和相反的需求。

DeepLabv3_MobileNetv2 这是MobileNet v2网络的PyTorch实施，具有用于语义分割的DeepLab v3结构。 MobileNetv2的骨干来自纸面： DeepLabv3的段头来自纸面： 如果您对这些块有一些困惑，请参考这些文件，以获取有关诸如Atrous卷积，反向残差，深度卷积或ASPP之类的详细信息。 结果 在训练了150个纪元之后，没有进行任何进一步的调整，测试集上的第一个训练结果如下： 随时更改此仓库中的任何配置或代码：-) 如何使用？ 首先，您需要安装此实现的依赖项。 此实现是在Python 3.5下使用以下库编写的： 火炬0.4.0 火炬视觉0.2.1 numpy的1.14.5 OpenCVPython的3.4.1.15 tensorflow 1.8.0（tensorboardX必需） tensorboardX 1.2 使用sudo