文件名称：segmentation:分段网络流水线的Tensorflow实现
文件大小：47KB
文件格式：ZIP
更新时间：2024-06-08 03:39:52
tensorflow image-processing autoencoder segmentation Python
永久停产 该存储库在重新实现 Tensorflow细分网络 我注意到大多数实现只包括一种网络体系结构。 它们通常非常专业，并且在数据->模型->应用程序之间存在相当大的代码差距。 那我该怎么办？ 我写了另一个解决方案（图1） 图1.竞争标准难题。 楷模 通用卷积/反卷积模型 FCN- {32，16，8} s（ ） U-Net（ ） 自动编码器，带有潜在矢量的多尺度自动编码器（通过一维瓶颈挤压信号） 对抗自动编码器（ ） 可选的可变自动编码器模式（测试） 下一页：条件变式自动编码器 生成对抗网络（ ， ， ） InfoGAN（ ; ） 适用于所有型号的自动编码器模式（独立于独立的自动编码器） 所有模型的对抗训练（ ） 所有模型的贝叶斯模式（ ） 结构 大假设（我的用例）：训练数据和遮罩位于两个文件夹中，名称相同，并且作为单独的图像存在。 支持一些更高级的
【文件预览】：
segmentation-master
----.gitignore(136B)
----utils()
--------ops.py(4KB)
--------datasets.py(9KB)
--------upsampling.py(1KB)
--------threaded_dataset.py(5KB)
--------__init__.py(0B)
--------utilities.py(162B)
----examples()
--------example_autoencoder.py(4KB)
--------example_fcn.py(4KB)
--------onehot_image.py(769B)
--------input_pipeline.py(3KB)
--------inference.py(2KB)
--------prototyping.py(5KB)
--------example_unet.py(0B)
--------example_adversarial.py(0B)
--------example_gan.py(2KB)
----Readme.md(5KB)
----models()
--------infogan.py(16KB)
--------autoencoder.py(20KB)
--------fcn.py(9KB)
--------basemodel.py(20KB)
--------unet.py(8KB)
--------deconvolution.py(7KB)
--------__init__.py(0B)
--------template.py(2KB)
--------gan.py(16KB)
----scripts()
--------gan_script.py(6KB)