基于Swin Transformer架构的UPerNet语义分割模型，适用于高精度图像分割任务

基于Swin Transformer小型架构的UPerNet语义分割模型，适用于ADE20K等场景解析任务

UPerNet是一个基于ConvNeXt-Tiny架构的语义分割模型，适用于图像分割任务。

基于ConvNeXt-Large编码器的UPerNet语义分割模型，适用于ADE20K等场景解析任务

基于ConvNeXt架构的UPerNet图像分割模型，适用于语义分割任务

UPerNet是一个基于ConvNeXt-Small架构的语义分割模型，适用于图像分割任务。

基于ConvNeXt-Tiny编码器的UPerNet图像分割模型，适用于语义分割任务

基于PyTorch的图像分割模型库，支持多种编码器-解码器架构的语义分割任务

该模型是基于Logiroad/route_background_semantic_x2在Logiroad/route_background_semantic数据集上微调的图像分割模型，主要用于道路背景语义分割任务。

基于PyTorch的图像分割模型，采用Transformer架构进行密集预测任务

UPerNet 是一个基于 PyTorch 实现的图像分割模型，支持语义分割任务。

PAN是基于PyTorch实现的图像分割模型，采用金字塔注意力机制增强特征提取能力

DeepLabV3 是一个基于 PyTorch 实现的语义分割模型，适用于图像分割任务。

PSPNet是一种用于语义分割的深度学习模型，采用金字塔池化模块捕获多尺度上下文信息

Linknet是一个基于PyTorch实现的图像分割模型，适用于语义分割任务。

基于PyTorch的语义分割模型，采用多尺度注意力机制，适用于图像分割任务

基于PyTorch的语义分割模型，采用改进的UNet++架构，适用于图像分割任务。

基于PyTorch实现的Unet图像分割模型，支持多种编码器架构

基于Segformer架构的语义分割模型，针对Cityscapes数据集进行了优化

基于Segformer架构的轻量级语义分割模型，预训练于Cityscapes数据集

基于Segformer架构的语义分割模型，专门针对Cityscapes数据集进行优化

基于PyTorch的Segformer模型，用于语义分割任务，在ADE20K数据集上预训练

基于PyTorch的Segformer图像分割模型，适用于ADE20K数据集的语义分割任务

基于PyTorch的Unet图像分割模型，支持多种编码器架构

基于nvidia/mit-b0微调的航拍无人机图像分割模型，适用于处理航拍图像中的多类别分割任务。

用于人体解析任务的图像分割数据集

基于SegFormer架构的轻量级图像分割模型，专门针对人行道场景进行微调

基于MobileViTv2架构和DeepLabV3头部的语义分割模型，在PASCAL VOC数据集上以512x512分辨率预训练

基于MobileViTv2架构的语义分割模型，在PASCAL VOC数据集上预训练，支持512x512分辨率图像处理

基于 Segformer 架构的语义分割模型，用于为图像中的每个像素分配语义类别标签。

UperNet是一种用于语义分割的框架，采用Swin Transformer作为骨干网络，能够高效地进行像素级语义标注。

UperNet是一个用于语义分割的框架，采用Swin Transformer作为骨干网络，能够实现像素级的语义标签预测。

UperNet是一种语义分割框架，采用Swin Transformer作为骨干网络，能够实现像素级语义标签预测。

UperNet是一种用于语义分割的框架，采用ConvNeXt作为骨干网络，能够预测每个像素的语义标签。

UperNet是一个语义分割框架，结合ConvNeXt大型骨干网络，用于像素级语义标签预测。

UperNet是一种用于语义分割的框架，采用ConvNeXt作为骨干网络，能够预测每个像素的语义标签。

UperNet是一种用于语义分割的框架，采用ConvNeXt作为骨干网络，能够实现像素级的语义标签预测。

UperNet是一种用于语义分割的框架，采用ConvNeXt作为骨干网络，能够为每个像素预测一个语义标签。

InLegalBERT是基于印度法律文本预训练的Transformer模型，专注于法律领域的自然语言处理任务。

基于nvidia/mit-b0在imadd/water_dataset数据集上微调的图像分割模型，用于水域分割任务