语义分割图像预处理代码小汇总

最新推荐文章于 2026-01-08 20:27:01 发布
原创 最新推荐文章于 2026-01-08 20:27:01 发布 · 513 阅读 · 4 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #人工智能

本文介绍了DataProcessToolsGitHub仓库中的一系列功能，包括文件名操作（如添加字符串、切割、后缀添加）、图像标签处理、数据集生成、图片预处理、模式检查、转Tensor以及CUDA设备可用性测试，旨在简化医学深度学习的数据准备工作。

文件名的各种修改

文件名加特定字符串或者去除特定字符串

https://github.com/Scabbards1500/DataProcessTools/blob/master/FilenameModify.py

文件名按照长度切割

DataProcessTools/cropname.py at master · Scabbards1500/DataProcessTools · GitHub

文件名加后缀

DataProcessTools/add_extension.py at master · Scabbards1500/DataProcessTools · GitHub

标签处理

coco转pngmask  DataProcessTools/coco2mask.py at master · Scabbards1500/DataProcessTools · GitHub

二值标签转换 https://github.com/Scabbards1500/DataProcessTools/blob/master/LabelProcess.py

数据集处理

数据集生成json文件 DataProcessTools/data2json.py at master · Scabbards1500/DataProcessTools · GitHub

数据集生成csv文件

DataProcessTools/makecsv.py at master · Scabbards1500/DataProcessTools · GitHub

图片处理

缩放/裁剪

DataProcessTools/resize_img_ori.py at master · Scabbards1500/DataProcessTools · GitHub

图片信息查看

查看图片模式

DataProcessTools/check_img_mode.py at master · Scabbards1500/DataProcessTools · GitHub

图片转tensor

DataProcessTools/img_tensor.py at master · Scabbards1500/DataProcessTools · GitHub

运行相关

检查cuda是否可用

DataProcessTools/testcuda.py at master · Scabbards1500/DataProcessTools · GitHub

燕国地图的尽头是....?

咳咳，如果觉得里面的代码好用的话github点个小星星follow一下，以后会持续更新医学深度学习相关的代码，孩子下半年要申请学校了。

点云从入门到精通技术详解100篇-融合二维图像特征的三维点云语义分割
getusushu的博客
09-10 976
像数据在物体边缘部分往往存在特征“突变”现象，且往往具有丰富、清晰的纹理信息，接着，通过设计合理的融合机制实现图像与点云特征空间的融合。特征的提取，再借助合适的中间数据将图像与点云的高维度特征融合至同一特征空间中，不同的融合特征将用于生成不同类型的成果，如：物体识别框的生成、语义掩膜的生成、确空间结构信息的优势互补，以提升现有三维空间感知手段的性能。又恰好对应彼此的劣势，图像数据的维度限制了表达三维信息的能力，而点云也因数据。图像与点云信息融合机制的相关研究逐渐增加，希望在空间感知技术上让两种数据形成。
双目摄像头 三维坐标 python_uNetXST：将多个车载摄像头转换为鸟瞰图语义分割图像...
weixin_39889544的博客
11-23 565
作者：Longway来源：3D视觉工坊公众号链接：uNetXST：将多个车载摄像头转换为鸟瞰图语义分割图像 项目地址：https://github.com/ika-rwth-aachen/Cam2BEV论文地址：https://arxiv.org/pdf/2005.04078.pdf概述准确的环境感知对于自动驾驶来说是非常重要的，当用单目摄像头时，环境中的距离估计是一个很大的挑战。当摄像机视角转换...
医学图像预处理——3D CT肝脏dicom图像预处理学习记录（3D-IRCADB）
weixin_43259626的博客
03-27 2923
得到了各轴实际对应的空间大小后，可以根据重采样后期望各体素在某个轴上单位体素对应的空间大小，算各种重采样后的体素总数。结果如下：x轴数据的空间大小为512 * pixdim[1] = 451.07199mm，y轴数据的空间大小为512 * pixdim[2] = 451.07199mm，z轴数据的空间大小为81 * pixdim[3] = 405mm。作用是读取data_path中的文件，放入到image_slices中，得到一个129个大小的list，每一个list元素表示一个切片的全部信息。
不确定性语义分割论文、代码汇总
如果想成为中心，那么就到中心去吧。
03-26 7407
文章目录2017What Uncertainties Do We Need in Bayesian Deep Learning for Computer Vision?2020An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation2021Is segmentation uncertainty useful? 2017 What Uncertainties Do We Need in Bayesian Deep Learning
遥感语义分割文献摘要汇总1
xyz73的博客
11-02 1548
基于我们的实验，我们提出的方法在挑战中给出的小样本OpenEarthMap数据集的验证集上，将一个简单微调的SegGPT的加权mIoU从15.96提升到35.08。此外，为了增加同一物体的特征相似性，同时保持不同物体的特征区分性，像素信息通过一个简单的边界辅助融合模块( Boundary Auxiliary Fusion Module，BAFM )传播到整个物体区域，其中预测的物体边界作为高级指导来细化低级卷积特征。此外，现有的旋转不敏感算法的置信度分数的振荡，是由显著的变化产生的。提供全面的训练样本。
语义分割中的一些模型的分类汇总
a486259的博客
03-17 7238
语义分割是深度学习中的一个重要应用领域。自Unet提出到现在已经过去了8年，期间有很多创新式的语义分割模型。简单的总结了Unet++、Unet3+、HRNet、LinkNet、PSPNet、DeepLabv3、多尺度attention、HarDNet、SegFormer、SegNeXt等10个语义分割模型的基本特性。
区域转换为二值图像_uNetXST：将多个车载摄像头转换为鸟瞰图语义分割图像
weixin_29695991的博客
12-30 257
作者：Longway来源：3D视觉工坊公众号链接：uNetXST：将多个车载摄像头转换为鸟瞰图语义分割图像 项目地址：https://github.com/ika-rwth-aachen/Cam2BEV论文地址：https://arxiv.org/pdf/2005.04078.pdf概述准确的环境感知对于自动驾驶来说是非常重要的，当用单目摄像头时，环境中的距离估计是一个很大的挑战。当摄像机视角转换...
PaddlePaddle语义分割DeepLabv3+实战教程
weixin_35757531的博客
12-25 876
借助PaddlePaddle与PaddleSeg，快速实现DeepLabv3+语义分割模型的训练与部署。从ASPP多尺度感知到解码器细节恢复，结合工业级工具链支持动静态切换、模型压缩与多场景落地，显著降低开发门槛，助力自动驾驶、医疗影像和工业质检等应用高效迭代。
空间中的语义直线检测_uNetXST：将多个车载摄像头转换为鸟瞰图语义分割图像...
weixin_35902873的博客
01-03 189
Date：2020-7-8作者：Longway来源：公众号【3D视觉工坊】原文链接：uNetXST：将多个车载摄像头转换为鸟瞰图语义分割图像欢迎加入国内最大的3D视觉交流社区，1700+的领域从业者正在一起学习~项目地址：https://github.com/ika-rwth-aachen/Cam2BEV论文地址：https://arxiv.org/pdf/2005.04078.pdf概述准确的环...
基于语义分割与实例分割融合的车道线检测方法研究
毕设帮助,疑难解答,欢迎打扰!
12-10 750
基于语义分割与实例分割融合的车道线检测方法研究实现了高效准确的车道线检测功能。对于计算机专业、软件工程专业、人工智能专业、大数据专业的毕业生而言，选择一个合适的毕业设计选题至关重要。在这个毕业设计选题合集中，我们精心收集了各种有趣且具有挑战性的选题，旨在帮助学生们在毕业设计中展现他们的技术实力和创新能力。不论是对于对深度学习技术感兴趣的同学，还是希望探索机器学习、算法或人工智能的领域的同学，本合集都能为您提供丰富的选题资源和灵感。
矿区无人机影像地物提取(语义分割)
datayx的文章
03-02 1729
向AI转型的程序员都关注了这个号????????????人工智能大数据与深度学习 公众号：datayx1. 实验数据介绍无人机拍摄的高分辨率矿区影像图实验室进行标注的对应labelv02...
深度学习应用于水稻稻穗图像的语义分割技术解析
资源摘要信息:"基于deeplabv3+的水稻稻穗图像语义分割" ### 知识点 #### 1. Deeplabv3+ 模型简介 Deeplabv3+是一种先进的深度学习模型，用于图像分割任务。该模型利用了深度卷积神经网络的强大能力，能够对图像中...
深度解析医学图像预处理全流程：构建高质量脊椎分割数据集的7大关键步骤
医学图像预处理在脊椎分割任务中具有关键作用，直接影响后续模型的精度与鲁棒性。本文系统阐述了从原始医学图像获取到高质量数据集构建的全流程技术方案，重点解决多中心DICOM数据的标准化、各向异性重采样、偏置场...
如何评估 CNN 模型在验证码识别任务中的性能？
Data_agent19970108018
01-04 848
摘要：验证码识别作为多字符序列分类任务，需关注整串准确率（业务核心）和单字符准确率（问题定位）。核心指标包括整串准确率（≥90%实用）、单字符准确率、混淆矩阵（定位易混淆字符）及推理速度（≤100ms/张）。评估需独立测试集（≥1000样本），通过损失曲线判断过拟合/欠拟合。调优方向包括：整串错误优化预处理或CTC模型，单字符错误补充样本，过拟合增强数据或轻量化模型，速度慢则量化或硬件加速。进阶测试需涵盖噪声、跨场景及概率阈值优化。评估旨在针对性改进，需综合多指标而非仅看准确率。
深度学习—卷积神经网络（4）
weixin_62919816的博客
01-03 241
感受野(Receptive field）深度学习—卷积神经网络（4）
深度学习VS强化学习：预测与决策的本质差异
最新发布
qq_65632993的博客
01-08 617
摘要：深度学习和强化学习是人工智能的两大分支，但本质不同。深度学习通过静态数据学习函数映射，目标是预测误差最小化；强化学习通过环境交互学习决策策略，追求长期收益最大化。两者在数据来源（固定vs动态）、反馈信号（密集vs稀疏）、核心挑战（泛化vs探索）等方面存在显著差异。深度强化学习是两者的结合，但实际应用中强化学习落地难度更高。选择方法时需根据任务特性：预测任务用深度学习，长期决策任务用强化学习。理解两者的"问题范式"差异比模型结构更重要。
基于深度学习的车牌识别系统
qq_35827191的博客
01-02 1314
本文提出了一种基于深度学习的车牌识别系统解决方案，采用模块化设计架构，包含车辆检测(YOLOv3-tiny)、车牌定位(RetinaNet)和字符识别(LPRNet)三大核心模块。系统通过轻量级模型实现实时处理能力，利用特征金字塔网络和Focal Loss优化小目标检测效果，并采用端到端的字符识别方案。文章详细阐述了技术选型依据、网络结构原理、代码实现细节及环境配置要求，为车牌识别系统的开发提供了完整的实践指导。该系统可广泛应用于智能交通、安防监控等场景，具有良好的实用价值。
通俗理解经典CNN架构：LeNet
不惑
01-05 1253
本文介绍了卷积神经网络(CNN)的鼻祖LeNet的起源、架构和应用。LeNet由Yann LeCun在20世纪90年代开发，主要用于手写数字识别，其创新性的卷积层、池化层等设计奠定了现代CNN的基础。文章详细拆解了LeNet-5的7层结构，包括输入层、卷积层、池化层和全连接层的工作原理，并解释了前向传播和训练过程。尽管LeNet结构简单，参数仅6万个，但它在MNIST数据集上实现了不到1%的错误率。虽然现代网络更加复杂，但LeNet作为教学经典，仍是理解CNN核心概念的重要案例。
基于深度学习的车型识别系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)
ningfoshao8678的博客
01-07 729
本文介绍了一款基于YOLO算法的车型识别系统，支持轿车、卡车、公共汽车和摩托车等多种车型识别。系统具备图片、视频、摄像头实时检测及批量处理功能，集成语音播报、结果导出等实用模块，并提供用户登录和模型训练功能。技术栈采用Python 3.10、PyQt5和SQLite，支持YOLOv5至v12多模型切换。测试数据显示，YOLO12n模型以40.6%的mAP表现最优，YOLO11n在CPU推理速度最快(56.1ms)。系统训练数据集包含19,000张图片，mAP@0.5达到70.8%，F1值为0.67，识别效果
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值