TensorFlow語義分割套件開源了ECCV18曠視科技BiSeNet實時分割演算法

• 2019 年 12 月 27 日
• 筆記

Github上的開源工程Semantic Segmentation Suite（語義分割套件），由來自美國建築智慧服務公司的機器學習工程師George Seif創建，使用Tensorflow實現了大量最新的語義分割演算法，最近，該開源庫新加入了CVPR2018最新公開的Dense Decoder Shortcut Connections模型與DenseASPP模型,和ECCV2018曠視科技新提出的實時語義分割演算法BiSeNet! 這種緊跟前沿的開源庫，正是52CV君要大力推廣的！

Semantic Segmentation Suite的目標是希望人們藉助它可以輕鬆實現程式碼、訓練、測試最新的語義分割演算法。

目前的主要功能有： 1)訓練和測試模式; 2)數據增廣; 3)內含幾個最新的state-of-the-art語義分割模型，並且這些模型可以非常容易地做到即插即用； 4)可以方便對接目前主流的任何語義分割數據集； 5)評估準則包含：precision, recall, f1 score, average accuracy, per-class accuracy, and mean IoU； 6)在訓練時按照epoch繪製損失函數loss和精度；

當前支援的特徵提取模型： MobileNetV2, ResNet50/101/152 與 InceptionV4。

當前支援的語義分割演算法： 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; 全是最近兩年出現的state-of-the-art!

該庫已經內置了語義分割訓練、測試、預測的示例程式碼：

方便一鍵看結果！

下面是使用FC-DenseNet103模型在CamVid數據集上訓練結果示例：

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