AI：299-UNet图像分割-从网络结构理论到代码实战（基础模型篇）
在数据处理中通过加权求和的方式捕捉局部模式或特征。卷积用于提取图像的局部特征，如边缘、角点、纹理等。通过卷积核（过滤器）扫描图像，可以检测到不同的特征，并逐层提炼更高层次的特征。激活函数是神经网络中的关键组件，其作用是对每一层的输出（或称为神经元的加权和）进行非线性变换，从而使网络具备学习和表达复杂
【AI】Segment-Anything本地部署
Segment-Anything是Meta开源的图像分割模型，顾名思义，可以分割所有东西，感觉这东西可以用于遥感影像分割，于是找来源码测试一下。项目地址：https://github.com/facebookresearch/segment-anything。
BRIA.AI开源最强AI一键抠图模型RMBG，超简上手体验
本文首发:欢迎关注，近距离接触底层视觉与基础AI技术近日，团队于开源了一个基于ISNet背景移除模型，它可以有效对前景与背景进行分离。RMBG-1.4在精心构建的数据集上训练而来，该数据包含常规图像、电商、游戏以及广告内容，该方案达到了商业级性能，但仅限于非商业用途。。更详细的数据分布介绍请移步[，
计算机视觉：分割一切AI大模型segment-anything
Segment Anything Model (SAM)来源于Facebook公司Meta AI实验室。据Mata实验室介绍，SAM 已经学会了关于物体的一般概念，并且它可以为任何图像或视频中的任何物体生成 mask，甚至包括在训练过程中没有遇到过的物体和图像类型。SAM 足够通用，可以涵盖广泛的用
图像处理之阈值分割[全局阈值、Otsu阈值和迭代式阈值分割]
背景CO的灰度级为0 ~ t-1，目标C1的灰度级为t ~ L-1。对于物体和背景对比较明显的图像，其灰度直方图为双峰形状，可以选择两峰之间的波谷对应的像素值作为全局阙值，将图像分割为目标对象和背景。迭代阈值法是阈值法图像分割中比较有效的方法，通过迭代的方法来求出分割的最佳阅值，具有一定的自适应性。
CFPNet：用于实时语义分割的通道特征金字塔
由于对移动设备和自动驾驶的需求不断增长，实时语义分割在计算机视觉中发挥着越来越重要的作用。 因此，在性能、模型大小和推理速度之间取得良好的折衷是非常重要的。 在这篇论文中提出了一个 Channel-wise Feature Pyramid (CFP) 模块来平衡这些因素。 基于 CFP 模块，构建了
用yolov5图像分割做人物抠像
用yolov5的6.2版本新推出的图像分割模型来做人物抠像，速度很快效果也不错！
nnUNet 详细解读（一）论文技术要点归纳
提出了一种基于2D和3D UNet的自适应框架nnUNet，无需手动调参，平均DICE最高。总共10个数据集，7个用于训练阶段，3个用于评估阶段，且不能手动调参。预处理：resampling和normalization训练：loss，optimizer设置、数据增广推理：patch-based策略、
