Deeplabv3p Resnet50

🚀 多類語義分割：使用DeepLabV3+

本項目圍繞多類語義分割展開，藉助DeepLabV3+模型達成目標。項目包含模型以及相關的筆記本，可參考 Keras多類語義分割示例 進一步瞭解。

項目原作者為 Soumik Rakshit。

此模型主要用於演示，在實際生產環境中無法保證達到最佳效果。若要獲得更好的結果，可根據自身需求參考並優化 Keras示例。

🚀 快速開始

本倉庫包含了使用DeepLabV3+進行多類語義分割的模型和相關筆記本，你可以通過 Keras示例 來深入瞭解具體實現。

✨ 主要特性

• 語義分割：旨在為圖像中的每個像素分配語義標籤，是計算機視覺中的關鍵任務。
• DeepLabV3+模型：採用全卷積架構，在語義分割基準測試中表現出色。

📚 詳細文檔

背景信息

語義分割是計算機視覺中的一項重要任務，其目標是為圖像中的每個像素分配語義標籤。在本示例中，我們實現了用於多類語義分割的DeepLabV3+模型，這是一種全卷積架構，在語義分割基準測試中表現出色。

訓練數據

該模型在 Crowd Instance-level Human Parsing Dataset 的一個子集（10,000張圖像）上進行訓練。Crowd Instance-level Human Parsing (CIHP) 數據集包含38,280張不同的人體圖像。CIHP中的每張圖像都帶有20個類別的逐像素註釋，以及實例級別的標識。該數據集可用於“人體部位分割”任務。

模型

模型使用在ImageNet上預訓練的ResNet50作為骨幹網絡。

參考資料

1. Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation
2. Rethinking Atrous Convolution for Semantic Image Segmentation
3. DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs

📄 許可證

本項目採用 CC0-1.0 許可證。

📦 額外信息