FCN应用：利用FCN全卷积网络实现语义分割 CamVid数据集

一、训练数据集介绍

CamVid数据集，语义分割FCN训练数据集

CamVid数据集包 括 700 多张精准标注的图片用于强监督学习，可分为训练集、验证集、测试集。同时， 在 CamVid 数据集中通常使用 11 种常用的类别来进行分割精度的评估，分别为：道路 （Road）、交通标志（Symbol）、汽车（Car）、天空（Sky）、行人道（Sidewalk）、电线杆 （Pole）、围墙（Fence）、行人（Pedestrian）、建筑物（Building）、自行车（Bicyclist）、 树木（Tree）。数据集中的CSV文件代表着不同类别的RGB通道值

1.1  数据预处理---标签编码

class LabelProcessor:   
    def __init__(self, file_path):

        self.colormap = self.read_color_map(file_path)

        self.cm2lbl = self.encode_label_pix(self.colormap)

    @staticmethod
    def read_color_map(file_path):  
        pd_label_color = pd.read_csv(file_path, sep=',')
        colormap = []
        for i in range(len(pd_label_color.index)):
            tmp = pd_label_color.iloc[i]
            color = [tmp['r'], tmp['g'], tmp['b']]
            colormap.append(color)
        return colormap
'''
    函数encode_label_color(colormap)，形成颜色到标签的一一对应关系，下面使用了类似256进制的方法映射每一个color map里的像素点到它所表示的类别
    （用哈希函数做了一张哈希表）

    希函数：(cm[0] * 256 + cm[1]) * 256 + cm[2]
    哈希映射：cm2lbl[(cm[0] * 256 + cm[1]) * 256 + cm[2]] = i
    哈希表：cm2lbl
    　　原理：一个像素点如:P（128，64，128）由编码函数(P[0] * 256 + P[1]) * 256