地表建筑物语义分割比赛(天池)
文章平均质量分 78
代码实践天池比赛
light-124
这个作者很懒,什么都没留下…
展开
-
零基础入门语义分割-地表建筑物识别 Task6 模型集成 -学习笔记
在上一章我们学习了如何构建验证集,如何训练和验证。本章作为本次赛题学习的最后一章,将会讲 解如何使用集成学习提高预测精度。 本章讲解的知识点包括:集成学习方法、深度学习中的集成学习和结果后处理思路。 一、学习目标 • 学习集成学习方法以及交叉验证情况下的模型集成 • 学会使用深度学习模型的集成学习 二、集成学习方法 在机器学习中的集成学习可以在一定程度上提高预测精度,常见的集成学习方法有 Stacking、Bagging 和 Boosting,同时这些集成学习方法与具体验证集原创 2021-03-07 21:21:58 · 246 阅读 · 0 评论 -
零基础入门语义分割-地表建筑物识别 Task5 模型训练与验证 -学习笔记
一个成熟合格的深度学习训练流程至少具备以下功能: • 在训练集上进行训练,并在验证集上进行验证; • 模型可以保存最优的权重,并读取权重; • 记录下训练集和验证集的精度,便于调参。 为此本章将从构建验证集、模型训练和验证、模型保存与加载和模型调参几个部分讲解,在部分小节 中将会结合 Pytorch 代码进行讲解。一、学习目标 • 理解验证集的作用,并使用训练集和验证集完成训练 • 学会使用 Pytorch 环境下的模型读取和加载,并了解调参流程 二、构造验证集 .原创 2021-03-04 23:53:44 · 254 阅读 · 2 评论 -
零基础入门语义分割-地表建筑物识别 Task4 评价函数与损失函数 -学习笔记
本章主要介绍语义分割的评价函数和各类损失函数。一、学习目标 • 掌握常见的评价函数和损失函数 Dice、IoU、BCE、Focal Loss、Lovász-Softmax; • 掌握评价/损失函数的实践;二、Dice 评价指标三、Dice Loss四、IoU 评价指标五、Focal Loss 六、代码实现dice评价指标代码实现import numpy as npdef dice(output, target): '''计算D...原创 2021-03-01 21:32:46 · 354 阅读 · 2 评论 -
零基础入门语义分割-地表建筑物识别 Task3 语义模型发展 -学习笔记
贴上前两节的博客链接:task1-赛题理解task2-数据扩增本章主要讲解的是语义分割网络模型的发展:FCN 、SegNet、Unet、DeepLab、RefifineNet、PSPNet、 GAN 语义分割。 语义分割(全像素语义分割)作为经典的计算机视觉任务(图像分类,物体识别检测,语义分割)。其 结合了图像分类、目标检测和图像分割,通过一定的方法将图像分割成具有一定语义含义的区域块,并识 别出每个区域块的语义类别,实现从底层到高层的语义推理过程,最终得到一幅具有逐像素语义标注的分 割图像。原创 2021-02-26 22:56:20 · 2075 阅读 · 0 评论 -
零基础入门语义分割-地表建筑物识别 Task2 数据扩增 -学习笔记
先给出task1的链接:task1-赛题理解这一节进行数据扩增的试验读取图片:train_mask = pd.read_csv('./data/train_mask.csv', sep='\t', names=['name', 'mask']) train_mask['name'] = train_mask['name'].apply(lambda x: './data/train/' + x)img = cv2.imread(train_mask['name'].iloc[0])mas原创 2021-02-23 22:44:05 · 521 阅读 · 2 评论 -
零基础入门语义分割-地表建筑物识别 Task1 赛题理解 -学习笔记
相关链接地址:零基础入门语义分割比赛-地表建筑物识别,学习任务。赛题理解:赛题名称:零基础入门语义分割-地表建筑物识别赛题目标:通过本次赛题可以引导大家熟练掌握语义分割任务的定义,具体的解题流程和相应的模型,并掌握语义分割任务的发展。赛题任务:赛题以计算机视觉为背景,要求选手使用给定的航拍图像训练模型并完成地表建筑物识 别任务。 学习目标:理解赛题背景和赛题数据完成赛题报名和数据下载,理解赛题的解题思路赛题数据:遥感技术已成为获取地表覆盖信息最为行之有效的..原创 2021-02-21 00:13:10 · 1441 阅读 · 8 评论