有些代码不应该被忘记

链接：http://www.tuicool.com/articles/eEfm2mv

图像语义分割就是机器自动从图像中分割出对象区域，并识别其中的内容。量子位今天推荐的这篇文章，回顾了深度学习在图像语义分割中的发展历程。发布这篇文章的Qure.ai，是一家用深度学习来读取医学影像的公司，他们在官方博客上梳理了语义分割中的深度学习方法。他们希望通过这份介绍，能让大家了解这个已经在自然图像处理比较成熟、但是在医学图像中仍需发展的新兴技术。作者

本文的工作很具有实用价值。本文提出了一个实时性的语义分割网络，Image Cascade Network（ICNet），在兼顾实时性的同时比原来的Fast Semantic Segmentation,比如SQ, SegNet, ENet等大大地提高了准确率，足以与Deeplab v2媲美，给语义分割的落地提供了可能。具体各个网络速度与性能的对比如下图所示：文章首先对语义

1  FCN 相对CNN的优点1) 2014年，加州大学伯克利分校的Long等人提出的完全卷积网络(Fully Convolutional Networks)，推广了原有的CNN结构，在不带有全连接层的情况下能进行密集预测。这种结构的提出使得分割图谱可以生成任意大小的图像，且与图像块分类方法相比，也提高了处理速度。在后来，几乎所有关于语义分割的最新研究都采用了这种结构。2) 除

1 数据采集1）不同地点、不同环境、不同天气等复杂环境下采集；2）主要分为：石子路、水泥路、草地、土泥路、模板路、其他；3）使用LI-OV580 双目摄像头采集，像素30-200万可调2 数据预处理参考链接：http://blog.youkuaiyun.com/qq_31531635/article/details/71170861图像处理11）数据放射性变换，平移（Trans

目录(?)[+]简介论文地址：Mask R-CNN源代码：matterport - github代码源于matterport的工作组，可以在github上fork它们组的工作。软件必备复现的Mask R-CNN是基于Python3，Keras，TensorFlow。Python 3.4+TensorFlow 1.3+Keras 2.0.8+Jupyt