文件名称：mobile-segmentation:移动设备上的实时语义图像分割
文件大小：71KB
文件格式：ZIP
更新时间：2024-05-24 19:21:09
android real-time neural-network image-processing semantic-segmentation
语义分割的有效解决方案：具有无可分离卷积的ShuffleNet V2 我们提出了一种计算有效的语义分割方法，同时实现了对Cityscapes挑战的70.33％的高均值交集（mIOU）。 建议的网络能够在移动设备上实时运行。 纸： 如果您发现该代码对您的研究有用，请考虑引用我们： @InProceedings{turkmen2019efficient, author = {Sercan T{ \" u}rkmen and Janne Heikkil{ \" a}}, title = {An Efficient Solution for Semantic Segmentation: {ShuffleNet} V2 with Atrous Separable Convolutions}, booktitle = {Image Analysis}, year
【文件预览】：
mobile-segmentation-master
----.gitignore(1KB)
----input_preprocess.py(5KB)
----README.md(5KB)
----utils()
--------input_generator.py(5KB)
--------save_annotation.py(1KB)
--------__init__.py(0B)
--------loss.py(7KB)
--------get_dataset_colormap.py(9KB)
--------train_utils.py(8KB)
----dataset()
--------build_coco_data.py(7KB)
--------build_ade20k_data.py(4KB)
--------convert_cityscapes.sh(1KB)
--------download_and_convert_ms_coco.sh(500B)
--------build_data.py(4KB)
--------build_cityscapes_data.py(6KB)
--------__init.py(0B)
--------download_and_convert_ade20k.sh(2KB)
--------segmentation_dataset.py(6KB)
----train.py(16KB)
----LICENSE(11KB)
----common.py(6KB)
----evaluate.py(6KB)
----visualize.py(14KB)
----export_tflite.py(4KB)
----model.py(28KB)
----requirements.txt(56B)
----.editorconfig(130B)
----core()
--------shufflenet_v2.py(8KB)
--------preprocess_utils.py(17KB)
--------dense_prediction_cell.py(13KB)
--------utils.py(3KB)
--------__init__.py(0B)
--------feature_extractor.py(9KB)
--------dense_prediction_cell_branch5_top1_cityscapes.json(289B)
----.pylintrc(11KB)