车道线分割项目

一.项目概述及上采样技术

1.概述

1.数据处理-模型搭建-训练框架搭建-模型评估-模型部署

卷积输出特征图大小计算公式

O=（I+2P-K）/S+1 P padding填充 K 卷积核 S 步长

卷积层

卷积参数量 in_c*k*k*out_c+out_c

池化层

激活函数

批量归一化

对每个channel进行bn，

增加自由度 让模型自己选择batch的程度

每个batch的均值方差不同 更新移动平均均值和方差

 2.pytorch

2.上采样

1.unpooling反池化

 2.interpolation插值

3.transposed convolution转置卷积

把卷积转换为相乘的结果

 只恢复形状，不恢复数值

 KB是KA的转置 保持连接关系

 转置卷积等价于卷积反向传播

卷积特征图大小计算公式

O=(I+2P-K)/S+1

I=(O-1)*S+K-2P

转置卷积特征图大小计算公式

O=(I-1)*S+K-2P

二.FCN实战（全卷积神经网络）语义分割

网络做降采样，用更少信息表征高维特征，比如狗17*17 卷积层为7*7，但是有信息损失，所以channel增加

 512*7*7输入到fc--4096， 输入必须是512*7*7 不然fc失效 避免这种情况 使用卷积化  

把fc改成conv

对原图padding100：为了防止网络后信息太少，不能很好地上采样

对输出结果进行上采样

FCN就是先cov pool 后进行de_cov上采样

 利用双线性插值初始化转置卷积的初始值

三.U-Net模型详解

1.详解

u-net上采样 通道数减半，feature map变大，之后copy and crop后 通道数增加*2 

u-net使用镜像padding

2.网络结构修改

更换Backbone主干网络

Resnet

 3.扩展学习：U-Net++

 四.DeepLab模型详解

1.膨胀卷积

 感受野扩大 参数量不变

Dilation Rate膨胀率是中间空的格子数+1  

Conv2dConvTranspose2d

使用pooling就是提高速度

利用膨胀卷积替代pooling，达到同样效果 ，感受野更大，计算量不变

 2.DeepLab详解

1.DeepLab V1

pool存在平移不变性 但是对分割可能会导致位置信息损失

如果用staide=n的conv代替pool 参数量增加 感受野提升但是分辨率下降 可以增加skip跳层 

VGG模型改成分割模型 空洞卷积膨胀率根据感受野调整

 V1：使用VGG改进模型 双线性上采样 后进行CRF 

CRF条件随机场  x每个像素的类别，i是位置           E（x）每一种分割情况的概率

概率函数 分割结果有m*n*类别数，想让E（x）最小，来优化dcnn后的一些参数p（x）

 2.DeepLab V2

 ASPP 空洞金字塔卷积 多个尺寸并行---多尺度感受野

 学习率策略 poly：iter迭代次数

 3.DeepLab V3

block就是resnet的block    out stride表示感受野   rate

并联模式采用了ASPP

串联：multi_grid resnet一个block有三个cov，多次叠加相同rate kernel不连续会产生栅格化，所以三个cov膨胀率不同

  3.DeepLab V3+

backbone由resnet变为xception 

卷积变为各通道分别膨胀深度卷积 + 1*1普通point卷积

 五.数据处理