Lane Segmentation模型定制与对比

构建项目baseline（训练、推断、配置文件）

• baseline结构和实现
• 语义分割的metrics
• 语义分割的loss

训练

1.baseline 基本原则

• no data augmentation
  尽可能不使用数据增强，便于筛选模型
• no big model
  一般开始时使用模型选小的，降低试错的时间成本
• low resolution（先做缩小）
  输入图像分辨率越大越好，但是资源占用高，baseline中尽量使用低分辨率输入图像。
• little tricks
  类似于第一条，baseline中尽可能少的使用有效trick

2.训练过程

1. 创建网络模型
2. 加载预训练权重（可选）
3. 设置优化器

• SGD+Momentum 类比手动挡，对学习率等超参数敏感
• Adam 类比自动挡 最常用的优化器

5. 生成训练训练数据
   ** 主要参数**
   epoch/batchnum/（iterations）
   调整学习率（Decay逐渐衰减、cycle循环学习率，在最大值与最小值之前循环，如正弦余弦、warmup 缓慢上升学习率 ）
   前向计算 （pred = model（input））
   计算损失 （loss = pred - label)
   反向传播

3. Metrics 模型评价标准

metrics与loss关系：
metrics 用来评价已经训练完毕的模型
loss 用在训练模型过程
原则上两者越一致越好，但实际情况为了方便优化，两者会有出入。
TP/FP/TN/FN

F1指标
计算方式如下，公式中准确率（ TP/(TP+FP) ）与召回率( TP/(TP+FN) )

图像分割中类别不平衡问题
图像分割本质为分类问题，但是当前景分割类别占据图像较小，背景占据图像较大面积时，训练过程中会趋向于预测最大的类别，即占据图像面积最对的类别，由此来得到最高的准确率。例如1000个样本，其中100个positive，900个negtive，则模型会趋向于将1000个样本全部预测为负样本，由此得到90%的准确率。 解决这种问题就要设计合理的评价标准。下图为类别不平衡案例：

最后预测图为纯黑图像

IoU/Jaccard Index

IoU Loss = 1 - IoU