文件名称：unsupervised-image-segmentation-by-WNet-with-NormalizedCut:WNet的Tensorflow实现，用于PASCAL VOC 2012数据集上的无监督图像分割
文件大小：4.08MB
文件格式：ZIP
更新时间：2024-06-12 12:33:58
Python
WNet与NormalizedCut的无监督图像分割 这是的Tensorflow实现，用于PASCAL VOC2012数据集上的无监督图像分割 此源根据 网络 （图来自原始的WNet论文） WNet由两个Unets组成，它们作为自动编码器堆叠，从图像到分段映射，然后再回到图像。 在该实施方式中，添加了附加的软归一化剪切项以用作改善分割的准则。 简而言之，软归一化切割测量了分割图如何聚合。 优化此测量有助于消除分割图中的多余噪声和噪点片段。 请参阅以了解标准化切割的详细信息。 简而言之，归一化割线测量的是分割效果，步骤如下： （1）对于图像，我们通过图像中任意两个像素之间的权重关系来计算它们之间的权重关系 (a) Distance of brightness between pixels i.e. (R+G+B)/3. (b) Distances of position bet
【文件预览】：
unsupervised-image-segmentation-by-WNet-with-NormalizedCut-master
----src()
--------UNet.py(16KB)
--------soft_ncut.py(31KB)
--------TensorflowUtils.py(4KB)
--------WNet_bright.py(9KB)
--------WNet_naive.py(10KB)
--------data_io()
----LICENSE(1KB)
----README.md(4KB)
----image()
--------WNet_bright_compare.png(1.07MB)
--------WNet_bright()
--------WNet_naive_retrain()
--------WNet_naive()
--------WNet_bright_retrain()
--------WNet_architecture.png(271KB)
--------WNet_bright_loss.png(537KB)
--------WNet_naive_loss.png(197KB)
--------WNet_naive_compare.png(1.2MB)