#语义分割
LiDAR-Bonnetal:基于深度学习的激光雷达点云语义分割框架
Pytorch-UNet
Pytorch-UNet项目提供定制的U-Net实现，支持多类别分割任务，包括车体遮罩、肖像分割和医学图像分割。兼容PyTorch 1.13及以上版本，提供Docker镜像和预训练模型，便于集成和使用。模型在高分辨率图像上训练，取得了0.988的Dice系数，并支持自动混合精度，可通过Weights & Biases实时监控训练进度。
openscene
OpenScene是一个实时交互的3D场景理解工具，支持使用开放词汇进行查询。用户可输入任意短语，系统会自动高亮相应区域。支持多种数据集和预处理选项，可执行零样本3D语义分割、稀有物体搜索和基于图像的3D物体检测。其特点包括无需GPU运行、支持多视角特征融合和模型蒸馏。所有代码和数据集均可在GitHub获取，适用于广泛的研究和开发应用。
Open3D-PointNet2-Semantic3D
该项目演示了如何使用Open3D与PointNet++进行3D点云的加载、预处理及语义分割，提供了高效的点云操作方法和训练预测流程，为Semantic3D数据集提供了简洁优化的基准实现，适用于深度学习应用的快速开发。
urban_seg
一个针对初学者的遥感图片语义分割项目，使用在4亿张图片上预训练的unicom模型。该模型在遥感分割中表现出色，仅需4张图片训练即可取得良好效果。提供简单的单GPU和多GPU训练代码，帮助快速上手并提升性能。
mmsegmentation
MMSegmentation是基于PyTorch的开源语义分割框架，提供模块化设计和统一基准，支持多种算法。最新v1.2.0版本新增开放词汇语义分割和单目深度估计功能，提升训练效率和快速部署体验。
pytorch-auto-drive
框架基于纯Python和PyTorch，提供从模型训练、测试到可视化和部署的全方位支持。特色包括多种主干网络、简洁易懂的代码、混合精度训练及ONNX和TensorRT的部署支持。该框架中模型训练速度快，性能优于其他实现，支持多种数据集和模型方法，为自动驾驶研究提供可靠的基准测试和高效工具。
DAFormer
通过Transformer编码器和多级上下文感知特征融合解码器，显著提升域适应语义分割性能。DAFormer使用稀有类采样、ImageNet特征距离和学习率预热等策略，提升GTA→Cityscapes和Synthia→Cityscapes的分割效果，并扩展至域泛化领域。在多个UDA基准上，DAFormer显著超越了前沿方法，成为领域推广和不受目标图像限制的语义分割任务中新的性能标杆。
Satellite-Imagery-Datasets-Containing-Ships
本页面列举了多个用于船舶检测、分类、语义分割和实例分割任务的雷达和光学卫星图像数据集，包括SSDD、OpenSARship、HRSID等。这些数据集涵盖了RadarSat-2、TerraSAR-X和Sentinel-1等卫星，提供了丰富的图像和详细的标注信息，非常适合多个船舶检测和分析任务。
labelme
Labelme是一个Python图像标注工具，使用Qt构建界面，支持多边形、矩形、圆形、线条和点的标注，适用于图像分类、语义分割、实例分割和视频标注。提供GUI自定义功能，并支持导出VOC和COCO格式数据集。兼容Windows、macOS和Linux平台，安装简单，资源丰富，易于使用。