图像分割

该项目基于pyTorch的深度学习API实现的一个U-Net的图像分割的深度学习框架。目前用于项目：穿越机的自主导航，作为其中的感知部分。获取穿越赛道门的像素坐标，从而进一步做位姿估计用于下一步的路径规划。该项目下一步使用MPC和DRL结合实现的路径规划方案。

天空替换模型介绍 换天算法是计算机视觉的经典任务之一，也是image sky matting的应用之一。输入一张原图A以及一张参考图B，换天算法会得到两张图片对应的天空区域的alpha图（alpha属

1.系统分为以下几个功能模块： 1）物体检测：分拣线中物体经过相机触发器时，触发拍照被系统获取进行图像处理（包括分割目标、物体分类检测） 2）订单获取：从指定服务器中获取当天分拣的订单信息 3）报警查询：检测到物体有误的报警记录，都可以进行报警的历史纪录查询核对 4）品牌维护：基础信息维护 5）系统设置：基础参数设置，如保存记录天数、串口号端口号、服务器地址等 2，我主要负责部分： 所以模块都是独立开发，界面采用c#,算法后台采用python+tensorflow+opencv

1.系统分为以下几个功能模块： 1）物体检测：分拣线中物体经过相机触发器时，触发拍照被系统获取进行图像处理（包括分割目标、物体分类检测） 2）订单获取：从指定服务器中获取当天分拣的订单信息 3）报警查询：检测到物体有误的报警记录，都可以进行报警的历史纪录查询核对 4）品牌维护：基础信息维护 5）系统设置：基础参数设置，如保存记录天数、串口号端口号、服务器地址等 2，我主要负责部分： 所以模块都是独立开发，界面采用c#,算法后台采用python+tensorflow+opencv

基于深度学习算法的图像数据分割、图像分类预测、图像目标检测，数据挖掘比赛top20选手、深度学习、机器学习爱好者

设计并实现一个分割算法，用于将植物与背景部分分开。通过实际距离的测量，实现像素到真实世界的映射，并计算出植物的覆盖率和高度。该任务涵盖了前期的数据采集、摄像头安装、数据标注，中期的模型实现，以及后期的模型训练和评估。均独立完成

设计实现了一种 ResUnet3+_ASPP 网络模型。网络采用较为先进的 Unet3+作为主干，其沿用 Unet 的编码器-解码器结构并加入了全尺度跳跃连接，最大程度使用了全尺度的特征图，并在网络中加入残差模块以便于梯度传递，加入 ASPP 空洞空间金字塔池化模块以充分利用高层语义信息，以及利用 MSFAM 通道注意力和空洞池化改进 CBAM 注意力机制模块，加强了其对小目标特征的关注并减少参数量。

主要功能包括图像分割算法与CT颈动脉切片图像分割，批量处理，辅助医生诊断病患，节约时间。 负责整个软件架构，开发，实现。

基于语义的图像分割。 输入一张原图，在输入一句话，描述想抠选的对象。比如man。 运行后模型会分析图像获取标签。找到和提示匹配的标签后，把标签对应图像区域用于细颗粒度分割。 分割出来的区域在右侧显示。 如果用于对分割结果不满意，例如有多个对象。这时候可以修改提示语，让范围缩小，比如 man with scraf 程序会再执行前面的操作。缩减结果。参考视频最后正确地抠选出带着围巾的男性。 参考视频：https://www.bilibili.com/video/BV1Rh4y1Y7bi

1、图像读取与显示，图像分割（阈值、种子点分割）、三维重建。主要功能：读取DICOM数据并显示，进行阈值分割 然后三维重建 2、QT，VTK，ITK，DCMTK

眼底血管图像分割算法设计，核心代码和主要逻辑说明： 1.图像预处理； 2.图像扩增与切分patch； 3.图像分割模型设计； 4.模型训练; 5.模型测试； 算法开发工程师，负责： 1.根据需求文档，进行软件功能设计 2.根据功能设计，进行软件代码编写 3.负责管理软件开发的源代码，记录版本变化 4.负责软件测试、维护

Baseline: Unet++和Tversky loss（交并比：83.12%） 通过Unet++网络建立起分割网络，使用Tversky loss来指导权重调整。 优化1：SE模块增强模型感知病变的能力（交并比：86.31%） 在Unet++中每个卷积块中增加SE-Block模块，减少噪声，放大有用信息。 优化2：ASPP模块细化分割的边缘（交并比：87.38%） 在Unet++降采样最后一个模块后加入ASPP模块，多尺度感知高层特征，细化分割边缘。