#U-Net

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。

End-to-end-for-chinese-plate-recognition

项目基于u-net、cv2和卷积神经网络(cnn)，使用tensorflow和keras实现。功能包括中文车牌的定位、矫正和识别。通过u-net进行图像分割，cv2进行边缘检测和车牌区域矫正，再用cnn实现多标签端到端识别。测试表明，系统在拍摄角度倾斜、强曝光和昏暗环境下表现出色，甚至对某些百度AI未能识别的车牌也能识别。请确保输入图片尺寸小于240x80，以获得最佳识别效果。详情请参阅CSDN博客。

u-net

本教程使用Keras库构建深度神经网络，用于超声图像神经分割，特别适用于Kaggle竞赛。从数据预处理、模型定义、训练到提交文件生成，教程提供了详尽的步骤说明。实验表明该方法在测试图像中取得约0.57的得分，为后续优化提供了出发点。

Diffusion_models_from_scratch

该项目提供了一个完整的扩散模型实现框架，包含DDPM、DDIM和无分类器引导模型。项目特点包括：基于ImageNet 64x64数据集的预训练模型、详细的环境配置和数据准备指南、全面的训练和推理脚本，以及多种模型架构和优化策略。开发者可以利用此框架轻松训练自定义扩散模型或使用预训练模型生成图像。

x-unet

x-unet是一个基于U-Net架构的开源项目，融合了高效注意力机制和最新研究成果。支持2D和3D图像处理，提供嵌套U-Net深度和上采样特征图合并等灵活配置。适用于生物医学图像分割和显著对象检测等任务，是一个功能强大的深度学习工具。

SOTA-MedSeg

SOTA-MedSeg项目汇总了医学图像分割领域的前沿挑战和顶级方法。涵盖头部、颈部、心脏和腹部等多个身体部位的分割任务,包括脑肿瘤、主动脉瘤和肾脏肿瘤等疾病。项目列出各大挑战赛的最佳方法及性能指标,提供相关论文和代码链接,是了解医学图像分割最新进展的综合资源。

UCTransNet

UCTransNet是一种结合U-Net和Transformer优势的医学图像分割网络。它通过Channel Transformer模块替代U-Net的跳跃连接，从通道维度优化特征融合。该模型在GlaS和MoNuSeg等数据集上表现优异，为医学影像分析提供新思路。项目开源代码实现和预训练模型，并提供详细使用说明，方便研究者探索和应用。