Datawhale开源
方向：自动驾驶、图像分割算法
自动驾驶中的重中之重就是能否真正做到帮助人们便捷、安全地出行，目前各大公司主要采用计算机视觉作为自动驾驶的技术底座，汽车如何分清楚哪里是路，哪里是人，其中的核心技术就是图像分割。
自动驾驶场景理解领域具有影响力的一场赛事-全球计算机视觉顶会CVPR2021上AutoNUE挑战赛，今年获得冠军的图像语义分割算法就是百度飞桨团队的PaddleSeg，这个项目不仅涵盖了业界最主流的DeepLab、UNet等23个系列60多个语义分割算法及预训练模型，以及实时高精度人像分割算法PPSeg、精细化的分割PaddleSeg-Matting、全景分割Panoptic-DeepLab算法！还有基于交互式分割算法的智能标注工具 EISeg！
Web 视频会议
Matting
全景分割
交互式分割
冠军算法开源地址：
- https://github.com/PaddlePaddle/PaddleSeg
目前PaddleSeg已经可以全方位、立体式地满足开发者在图像分割方向各个维度的需求。
产业级人像分割模型PPSeg
人像分割技术的应用可谓无所不在，比如抠图、视频会议换背景、人体姿态分析等等。但往往数据来源和算法部署环境非常多样，有手机的、固定摄像头的、移动车载摄像头的等等，不仅如此，不同的光照条件也为人像分割算法带来了极大的考验。基于这样的产业难点，PaddleSeg团队推出了在大规模人像数据上训练的人像分割PPSeg模型，并针对服务端、移动端、Web端（Paddle.js）多种使用场景进行了不同的优化，都获得超群的效果。
精细化的分割解决方案
PaddleSeg-Matting
随着分割技术的发展，人们对分割的精细化的要求也越来越高。比如在一些影视行业，绿幕作为拍摄的换背景常用的工作，但目标不在绿幕前拍摄，是否还能达到很好的背景分割功能呢？
答案是：能！
精细化分割解决方案PaddleSeg-Matting就很好的解决了这个问题。将目标的发丝实现了精准的分割。
交互式分割智能标注工具
业界对于人工智能有这么一句话：“深度学习有多智能、背后就有多少人工”。这句话直接说出了深度学习从业者心中的痛处，毕竟模型的好坏数据占据着很大的因素，但是数据的标注成本却让很多从业的小伙伴们感到头疼。
因此，业界首个高性能的交互式分割工具EISeg应运而生。它可以通过一系列的绿色点（正点）和红色点（负点）实现对目标对象边缘精准的分割，可以用于图像编辑、半自动标注，从而实现精细化标注，抠图，辅助图像后期处理（例如PS）等场景应用。
PaddleSeg还支持对RITM模型的训练、预测及交互的全流程。我们利用百度自建人像数据集对模型Finetune，得到预测速度快，精度高，交互点少的人像交互式分割模型。
全景分割Panoptic-DeepLab
全景分割是图像分割领域在近年来兴起的一个新领域，它融合了语义分割和实例分割的技术，可以识别出已知可数对象（例如车、动物等）的实例语义信息；而对于未知不可数对象（例如沙滩、天空等）识别出单纯的语义信息。
而PaddleSeg提供的全景分割算法--Panoptic DeepLab以简单的网络结构实现了精度、速度双超越，开创了全景分割算法新方向，也是当前Cityscape全景分割榜首采用的算法。
大家应用实践的过程中，欢迎Star三连！
- https://github.com/PaddlePaddle/PaddleSeg
