Part 1 數(shù)據(jù)準(zhǔn)備?

1.從Cityscapes官網(wǎng)下載Groundtruth: leftImg8bit_trainvaltest.zip與Label：gtFine_trainvaltest.zip（圖1）

leftImg8bit：放置訓(xùn)練街景圖，按城市分子文件夾，存放png圖片（命名格式：城市名稱_6位數(shù)字_6位數(shù)字_leftImg8bit.png）（圖2）

gtFine：放置精細(xì)標(biāo)注文件，分train(18個城市)/val(3個城市)/test(6個城市)三個文件夾，每個城市文件夾下針對每張街景圖png文件對應(yīng)了4個標(biāo)注文件（圖3）：

- xxx_gtFine_color.png 代表可視化的分割圖- xxx_gtFine_instanceIds.png 代表實(shí)例分割標(biāo)注文件- xxx_gtFine_labelIds.png 代表每個實(shí)例的標(biāo)簽id標(biāo)注- xxx_gtFine_polygons.json

2.導(dǎo)入所需的庫和模塊

3.加載訓(xùn)練和驗(yàn)證數(shù)據(jù)集，測試數(shù)據(jù)集沒有標(biāo)注，所以我們將把訓(xùn)練數(shù)據(jù)分割成訓(xùn)練和測試數(shù)據(jù)

4.將_gtFine_labelIds灰度圖圖像轉(zhuǎn)換為彩色分割圖（圖4）

5.展示不同色塊代表的物體（圖5）

6.數(shù)據(jù)預(yù)處理

7.對街景圖使用gen_images處理，對標(biāo)簽圖使用gen_mask_train處理，然后抽取80%的數(shù)據(jù)作為訓(xùn)練集

8.數(shù)據(jù)加載

Part 2 SegNet模型構(gòu)建??

構(gòu)建4個基礎(chǔ)模塊

Part 3 參數(shù)預(yù)設(shè)??

??Part 4 使用數(shù)據(jù)集進(jìn)行訓(xùn)練?

1.定義訓(xùn)練與評估函數(shù)

該網(wǎng)絡(luò)結(jié)構(gòu)在訓(xùn)練集上的結(jié)果較好，IoU可達(dá)0.82；但在測試集效果較差，IoU為0.61左右2.展示預(yù)測結(jié)果（圖6）

2015年，Segnet模型由Vijay Badrinarayanan, Alex Kendall, Roberto Cipolla發(fā)表, 在FCN的語義分割任務(wù)基礎(chǔ)上，搭建編碼器-解碼器對稱結(jié)構(gòu)，實(shí)現(xiàn)端到端的像素級別圖像分割，其模型框架和思路都比較簡單，后續(xù)我們將逐漸增加難度，探索更新的網(wǎng)絡(luò)架構(gòu)。
Segnet原文鏈接：https://arxiv.org/abs/1511.00561
關(guān)注公眾號并回復(fù)“02080613”即可獲得ipynb文件！

·END·