文章探讨了HRnet、Unet和deeplabv3等语义分割网络，强调了基于transformer的网络在推理和可视化方面的重要性。内容涵盖无监督、半监督和自监督学习方法，以及利用无标注数据的前沿技术。文章还提到了测试集的处理，如不进行dataaugmentation，仅resize，并介绍了评估指标如IOU、ACC、fps和latency，以及优化工具benchmark.py和default_runtime。
HRnet，高分辨率网络；
Unet；
deeplabnetv3；
也有基于transformer的网络；
ADE20K,PASCALVOC,
△：要吸收的是训练之外的推理部分，在mmseg这里子豪兄大佬在jupyter里写了很多推理与可视化的代码可供学习；
前沿：充分利用无标注数据，半监督，无监督，自监督；与语义分割的可解释性；
△：因为测试集往往是比赛后台才有标注，所以自己训练时往往设定验证集和测试集相同；比赛上交的信息是拿训练好的模型跑没有标签的测试集，提交测试集让后台比对与正确的标注的区别；
记得通过jupyter的内容对比config，更快地理解；
测试集一般不会进行data orgmentation，resize即可；
△：测试集的性能评估：
添加数据集类别zaimmseg/dataset 里，并且在init里注册；
（仔细看dataset配置和core/evaluation 可以理解metric的构成）
经常使用的seg的评价指标IOU,ACC；还有fps和latency； tools/analysis_tools/benchmark.py
default_runtime是优化器
扫一扫
2111
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
