TensorFlow语义分割套件开源了ECCV18旷视科技BiSeNet实时分割算法

• 2019 年 12 月 27 日
• 笔记

Github上的开源工程Semantic Segmentation Suite（语义分割套件），由来自美国建筑智能服务公司的机器学习工程师George Seif创建，使用Tensorflow实现了大量最新的语义分割算法，最近，该开源库新加入了CVPR2018最新公开的Dense Decoder Shortcut Connections模型与DenseASPP模型,和ECCV2018旷视科技新提出的实时语义分割算法BiSeNet! 这种紧跟前沿的开源库，正是52CV君要大力推广的！

Semantic Segmentation Suite的目标是希望人们借助它可以轻松实现代码、训练、测试最新的语义分割算法。

目前的主要功能有： 1)训练和测试模式; 2)数据增广; 3)内含几个最新的state-of-the-art语义分割模型，并且这些模型可以非常容易地做到即插即用； 4)可以方便对接目前主流的任何语义分割数据集； 5)评估准则包含：precision, recall, f1 score, average accuracy, per-class accuracy, and mean IoU； 6)在训练时按照epoch绘制损失函数loss和精度；

当前支持的特征提取模型： MobileNetV2, ResNet50/101/152 与 InceptionV4。

当前支持的语义分割算法： 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; 全是最近两年出现的state-of-the-art!

该库已经内置了语义分割训练、测试、预测的示例代码：

方便一键看结果！

下面是使用FC-DenseNet103模型在CamVid数据集上训练结果示例：

工程主页： https://github.com/GeorgeSeif/Semantic-Segmentation-Suite