TensorFlow語(yǔ)義分割套件開(kāi)源ECCV18曠視科技BiSeNet實(shí)時(shí)分割算法示例分析

這篇文章將為大家詳細(xì)講解有關(guān)TensorFlow語(yǔ)義分割套件開(kāi)源ECCV18曠視科技BiSeNet實(shí)時(shí)分割算法示例分析，文章內(nèi)容質(zhì)量較高，因此小編分享給大家做個(gè)參考，希望大家閱讀完這篇文章后對(duì)相關(guān)知識(shí)有一定的了解。

Github上的開(kāi)源工程Semantic Segmentation Suite（語(yǔ)義分割套件），由來(lái)自美國(guó)建筑智能服務(wù)公司的機(jī)器學(xué)習(xí)工程師George Seif創(chuàng)建，使用Tensorflow實(shí)現(xiàn)了大量最新的語(yǔ)義分割算法，最近，該開(kāi)源庫(kù)新加入了CVPR2018最新公開(kāi)的Dense Decoder Shortcut Connections模型與DenseASPP模型,和ECCV2018曠視科技新提出的實(shí)時(shí)語(yǔ)義分割算法BiSeNet!
這種緊跟前沿的開(kāi)源庫(kù)，正是52CV君要大力推廣的！

Semantic Segmentation Suite的目標(biāo)是希望人們借助它可以輕松實(shí)現(xiàn)代碼、訓(xùn)練、測(cè)試最新的語(yǔ)義分割算法。

目前的主要功能有：
1)訓(xùn)練和測(cè)試模式;
2)數(shù)據(jù)增廣;
3)內(nèi)含幾個(gè)最新的state-of-the-art語(yǔ)義分割模型，并且這些模型可以非常容易地做到即插即用；
4)可以方便對(duì)接目前主流的任何語(yǔ)義分割數(shù)據(jù)集；
5)評(píng)估準(zhǔn)則包含：precision, recall, f1 score, average accuracy, per-class accuracy, and mean IoU；
6)在訓(xùn)練時(shí)按照epoch繪制損失函數(shù)loss和精度；

當(dāng)前支持的特征提取模型：
MobileNetV2, ResNet50/101/152 與 InceptionV4。

當(dāng)前支持的語(yǔ)義分割算法：
1)SegNet,arXiv2015;
2)SegNet with skip connections,PAMI2017;
3)MobileNet-UNet,arXiv2017;
4)PSPNet,CVPR2017;
5)FC-DenseNet,CVPR2017;
6)DeepLabV3,axXiv2017;
7)RefineNet,CVPR2017;
8)Full-Resolution Residual Networks(FRRN),CVPR2017;
9)Global Convolutional Network with Large Kernel,CVPR2017;
10)AdapNet,ICRA2017;
11)ICNet,ECCV2018;
12)DeepLabV3+,ECCV2018;
13)DenseASPP,CVPR2018;
14)Dense Decoder Shorcut Connections,CVPR2018;
15)BiSeNet,ECCV2018;
全是最近兩年出現(xiàn)的state-of-the-art!

該庫(kù)已經(jīng)內(nèi)置了語(yǔ)義分割訓(xùn)練、測(cè)試、預(yù)測(cè)的示例代碼：

方便一鍵看結(jié)果！

下面是使用FC-DenseNet103模型在CamVid數(shù)據(jù)集上訓(xùn)練結(jié)果示例：

關(guān)于TensorFlow語(yǔ)義分割套件開(kāi)源ECCV18曠視科技BiSeNet實(shí)時(shí)分割算法示例分析就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺(jué)得文章不錯(cuò)，可以把它分享出去讓更多的人看到。