语义分割中微观（细节）信息和宏观信息都很重要，一般浅层网络能够提取微观信息，而宏观信息提取需要很深的网络。这两个需求是相反的，如果设计成同一个网络可能会相互影响，纠缠不清，于是提出了一种双边网络，各自独立提取特征。     Detail Branch : 提取微观特征。关注图像细节。 Semantic Branch : 提取宏观特征。相当于将图像大致分块。 通常语义分割都是encod

BiseNet学习：利用tensorflow2从头搭建BiseNet并训练完成语义分割任务 文章目录 BiseNet学习：利用tensorflow2从头搭建BiseNet并训练完成语义分割任务简介1 数据集的简介BiseNet网络搭建1）BiseNet网络各个模块简介1.1 Spatial path搭建1.2 Context path的搭建1.3特征融合模块 2.模型的初始化，训练以及测试

1808.00897：BiSeNet: Bilateral Segmentation Network for Real-time Semantic Segmentation 创新点 提出了 2-path 的 Bilateral Segmentation Network (BiSeNet)，context path来编码不同感受野和不同尺度的高级语义信息（即high-level featur

点击上方“AI算法修炼营”，选择“星标”公众号 精选作品，第一时间送达 01 轻量级语义分割 基于轻量化网络模型的设计作为一个热门的研究方法，许多研究者都在运算量、参数量和精度之间寻找平衡，希望使用尽量少的运算量和参数量的同时获得较高的模型精度。目前，轻量级模型主要有SqueezeNet、MobileNet系列和ShuffleNet系列等，这些模型在图像分类领域取得了不错的效果，可以作为基本的主

遥感地物分类通过对遥感图像中的地物进行准确识别和分类，为资源管理、环境保护、城市规划、灾害监测等领域提供重要信息，有助于实现精细化管理和科学决策，提升社会治理和经济发展水平。深度学习遥感地物分类在提高分类精度、自动化程度、处理大规模数据、普适性以及推动遥感技术创新和发展等方面都具有重要的意义。本文将利用深度学习BiseNet实现遥感地物分类。 数据集 本文使用的数据集为WHDLD数据集[1](W