本文是作者在津南数字制造算法挑战复赛中的经验分享，探讨了Deeplabv3+和Unet在语义分割任务中的选择和调参过程。Deeplabv3+因其ASPP结构和改进的Xception backbone在分割效果上表现出色，但速度较慢；而Unet则因为其简单、高效且易于调整的特点，在训练速度上有优势。比赛中，作者通过调整损失函数、采用OHEM和不同的decoder方式优化模型。尽管尝试将多分类问题转化为二分类未见显著提升，但Unet在资源有限的情况下提供了更多实验可能性。
写在前面
无论是物体检测，还是语义分割，笔者都是比赛中才开始了解各种网络架构，优劣对比也是参考的网络上各种评价，没有项目经验。所以，选择网络架构时局限性很大，初赛时，毫不犹豫的选择了网上点赞最多的YOLOv3；复赛时，先是选择了deeplabv3+调试，后来又转到了可操作性更高的Unet。建议大家做比赛时，一定要多调研（百度，知乎，Github…)，多交流（关注比赛群里的交流）。
赛题介绍
复赛赛题和初赛基本一致，区别在于复赛是语义分割问题，评价标准是：5类IoU的平均值。
数据预处理
基本操作：旋转、缩放、随机剪裁。
物体检测框架选择
这里很简单地介绍一下Deeplabv3+和Unet。
Deeplabv3+：
最低0.47元/天 解锁文章
扫一扫
750
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
