(欢迎关注“我爱计算机视觉”公众号，一个有价值有深度的公众号~)

Github上的开源工程Semantic Segmentation Suite（语义分割套件），由来自美国建筑智能服务公司的机器学习工程师George Seif创建，使用Tensorflow实现了大量最新的语义分割算法，最近，该开源库新加入了CVPR2018最新公开的Dense Decoder Shortcut Connections模型与DenseASPP模型,和ECCV2018旷视科技新提出的实时语义分割算法BiSeNet!
这种紧跟前沿的开源库，正是52CV君要大力推广的！

Semantic Segmentation Suite的目标是希望人们借助它可以轻松实现代码、训练、测试最新的语义分割算法。

目前的主要功能有：
1)训练和测试模式;
2)数据增广;
3)内含几个最新的state-of-the-art语义分割模型，并且这些模型可以非常容易地做到即插即用；
4)可以方便对接目前主流的任何语义分割数据集；
5)评估准则包含：precision, recall, f1 score, average accuracy, per-class accuracy, and mean IoU；
6)在训练时按照epoch绘制损失函数loss和精度；

当前支持的特征提取模型：
MobileNetV2, ResNet50/101/152 与 InceptionV4。

当前支持的语义分割算法：
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;
全是最近两年出现的state-of-the-art!

该库已经内置了语义分割训练、测试、预测的示例代码：

方便一键看结果！

下面是使用FC-DenseNet103模型在CamVid数据集上训练结果示例：

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

更多精彩推荐：

ECCV18 | UC伯克利提出基于自适应相似场的语义分割

MultiPoseNet:人体检测、姿态估计、语义分割一“网”打尽

NVIDIA ECCV18论文:超像素采样网络助力语义分割与光流估计（代码将开源）

(欢迎关注“我爱计算机视觉”公众号，一个有价值有深度的公众号~)