Что это?
Тщательно подобранный список ресурсов по семантической сегментации: архитектуры сетей, статьи, реализации кода, датасеты, бенчмарки, инструменты разметки и функции потерь, применяемые в этой области.
Тщательно подобранный список ресурсов по семантической сегментации: архитектуры сетей, статьи, реализации кода, датасеты, бенчмарки, инструменты разметки и функции потерь, применяемые в этой области.Это библиотека или просто список ссылок?Это исключительно курируемый список (awesome-list), а не запускаемая библиотека или фреймворк. Каждая запись ссылается на статью и одну или несколько реализаций кода в таких фреймворках, как PyTorch, TensorFlow, Caffe или Keras.
Это исключительно курируемый список (awesome-list), а не запускаемая библиотека или фреймворк. Каждая запись ссылается на статью и одну или несколько реализаций кода в таких фреймворках, как PyTorch, TensorFlow, Caffe или Keras.Как устроен список?Он организован по темам: сети по архитектурам (семантические, для инстанс-сегментации, по слабой разметке), методы на основе RNN и GAN, графические модели, датасеты, бенчмарки, код для оценки, инструменты разметки, метрики и функции потерь, а также специализированные разделы по медицинской визуализации, спутниковым снимкам, сегментации видео и беспилотному вождению.
Он организован по темам: сети по архитектурам (семантические, для инстанс-сегментации, по слабой разметке), методы на основе RNN и GAN, графические модели, датасеты, бенчмарки, код для оценки, инструменты разметки, метрики и функции потерь, а также специализированные разделы по медицинской визуализации, спутниковым снимкам, сегментации видео и беспилотному вождению.Записи проверяются и поддерживаются актуальными?Список охватывает записи с 2015 по 2020 год, поддерживается сообществом, и явных критериев отбора не заявлено; некоторые разделы (например, 'Networks by framework') прямо помечены как более старый и не самый актуальный список.
Список охватывает записи с 2015 по 2020 год, поддерживается сообществом, и явных критериев отбора не заявлено; некоторые разделы (например, 'Networks by framework') прямо помечены как более старый и не самый актуальный список.С чего новичку начать?Новичок может начать с классических архитектур, которые идут первыми, — U-Net, SegNet, FCN и DeepLab; каждая ссылается на оригинальные статьи и несколько реализаций в разных фреймворках.
Новичок может начать с классических архитектур, которые идут первыми, — U-Net, SegNet, FCN и DeepLab; каждая ссылается на оригинальные статьи и несколько реализаций в разных фреймворках.Какие датасеты включены для бенчмарков семантической сегментации?В нём перечислены крупные датасеты: Cityscapes, Microsoft COCO, ADE20K, PASCAL Context, CamVid, Mapillary Vistas, KITTI и другие.
В нём перечислены крупные датасеты: Cityscapes, Microsoft COCO, ADE20K, PASCAL Context, CamVid, Mapillary Vistas, KITTI и другие.Список охватывает и инстанс-сегментацию?Да, там есть отдельный раздел 'Instance aware segmentation' с методами вроде Mask-RCNN, YOLACT, SOLO и PANet.
Да, там есть отдельный раздел 'Instance aware segmentation' с методами вроде Mask-RCNN, YOLACT, SOLO и PANet.Есть ли специализированные разделы помимо общего компьютерного зрения?Да, есть отдельные разделы по сегментации медицинских изображений, спутниковых снимков, видео и приложениям в беспилотном вождении.
Да, есть отдельные разделы по сегментации медицинских изображений, спутниковых снимков, видео и приложениям в беспилотном вождении.Какие ссылки на код приводятся для каждого метода?Каждая запись о сети ссылается на одну или несколько open-source-реализаций в таких фреймворках, как PyTorch, TensorFlow, Caffe, Keras, Torch, MXNet или Chainer.
Каждая запись о сети ссылается на одну или несколько open-source-реализаций в таких фреймворках, как PyTorch, TensorFlow, Caffe, Keras, Torch, MXNet или Chainer.What are similar projects?DeepLearning, techniques, CVPR2026-Papers-with-Code, VisionHOPE, awesome-deep-vision, nnUNet_att_position_correction, deep_learning_object_detection, CVPR2024-Paper-Code-Interpretation
DeepLearning, techniques, CVPR2026-Papers-with-Code, VisionHOPE, awesome-deep-vision, nnUNet_att_position_correction, deep_learning_object_detection, CVPR2024-Paper-Code-InterpretationWhich topics is it in?autonomous-driving, medical-imaging, semantic-segmentation, image-segmentation, deeplearning, image-classification, object-detection, papers, tensorflow, evaluation, neural-network, computer-vision
autonomous-driving, medical-imaging, semantic-segmentation, image-segmentation, deeplearning, image-classification, object-detection, papers, tensorflow, evaluation, neural-network, computer-vision