语义分割

提供自选标注标签与命名功能的语义分割voc数据集制作工具。

在深度学习处理体积图像时，标记数据一直是一个重大挑战。在放射治疗领域，从CT图像中提取人体、器官和肿瘤等区域，并存储在DICOM RT的RT-Structure中。这些数据原本用于治疗计划，现在也可作为深度学习的标签数据。本演示展示了如何将RT-Structure数据转换为标签数据，并在MATLAB上训练3D UNet模型进行语义分割。

随着深度学习技术的进步，皮肤病变分割中的深度神经网络应用日益广泛。该技术利用语义分割方法精确地识别和分离皮肤病变区域。

DeepLab v2 是一种先进的语义图像分割深度学习系统，它基于深度卷积神经网络，并结合了以下关键特性： 粗糙卷积: 精确控制特征响应分辨率。 粗糙空间金字塔池: 采用多采样率和有效视场的滤波器，实现多尺度对象的稳健分割。 密集连接的条件随机字段 (CRF): 用于后期处理，优化分割结果。 此版本提供了关键模型组件的公开实现，并支持 ICLR'15 中 DeepLab v1 的实验。 圆环卷积: 圆环卷积在 CAFFE 框架中称为膨胀卷积，使用方法相同，只需将卷积参数 “hole” 更改为 “dilation”。 Argmax 和 Softmax_loss 层: ICCV'15 实验中的 argmax 和 softmax_loss 层与 Caffe 层略有不同，详细信息请参考相关论文。 参考文献: @article{CP2016Deeplab,title={DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous},author={...}}

MATLAB中的Ice函数代码CEnet语义分割，一个简单的Matlab成品网络。主要功能包括DACblock和RMPblock，在CEnet中具有重要意义。我们在Landsat8遥感图像中测试了冰块，效果非常出色。如果您需要使用此代码，请注意修改inputLayer，因为我的inputLayer与自然图像不同。如有任何疑问，请通过电子邮件联系我。

KNetS是一款由我设计的深度神经网络，灵感源自DeepLab v.2，实现TensorFlow环境下的卷积神经网络语义分割任务。除了Python 3、TensorFlow版本需≥1.3和MATLAB外，还需要安装numpy、scipy、pillow和matplotlib软件包。数据生成代码目前适用于Camvid数据集。操作步骤包括：1. 下载Camvid数据集的原始图像和标签数据到指定文件夹；2. 使用MATLAB运行make_mat_files.m以创建.mat数据文件，可根据需求调整img_size和分区速率。

这个示范展示了如何利用基于AlexNet的全卷积网络进行语义分割的步骤。MATLAB和计算机视觉系统工具箱提供fcnLayers函数来定义FCN，这在计算上比基于VGG-16的FCN更为经济。学习如何定义、训练和评估基于AlexNet的FCN网络。

本工具利用白平衡模拟技术，优化了图像处理中的色彩增强方法。它显著改进了计算机视觉任务，如图像分类和语义分割的模型表现。该工具是基于我们的研究成果，解决了深度学习中由于颜色恒常性问题导致的性能下降。此研究于2019年在国际计算机视觉会议（ICCV）上发布。项目详情请访问：http://cvil.eecs.yorku.ca/projects/public_html/wb_emulation/index.html。使用步骤包括：1. 运行install_.m；2. 可尝试单图像处理的demo_single_image.m、批量处理的demo_batch.m、以及处理并生成图像与真实文件对的demo_WB_color_augmentation.m；3. 提供GUI界面的demo_GUI（位于GUI目录）。

这篇文章提供了关于机器学习中潜在语义分析（LSA）算法的详细资料。

基于特征选择的模型弥合理论与实践之间的差距，利用硬件架构数据识别异常行为，提高安全检测效率。