keras实现Segnet、FCN、U-Net系列分割网络

最新推荐文章于 2024-05-26 16:20:47 发布

Tom Hardy

最新推荐文章于 2024-05-26 16:20:47 发布

阅读量6.5k

点赞数 6

分类专栏：深度学习

本文链接：https://blog.csdn.net/qq_29462849/article/details/84726658

版权

本文介绍了在计算机视觉中的语义分割任务，重点讲解了如何利用Keras实现Segnet、FCN、U-Net三种分割网络。提供了相关算法链接和训练、可视化及预测的源代码，并分享了训练数据的下载地址。尽管目前的分割效果仍有提升空间，但增加训练数据和训练次数能改善模型性能。

摘要由CSDN通过智能技术生成

介绍

语义分割是计算机视觉领域中非常重要的一个领域，在无人驾驶、图像分析、图像理解领域中有很多应用。在这里就不再详细叙述语义分割算法，具体算法请参考以下链接：
Segnet：https://blog.csdn.net/zhuzemin45/article/details/79709874
U-Net：
https://blog.csdn.net/m_buddy/article/details/79399203
https://blog.csdn.net/natsuka/article/details/78565229
FCN：
https://blog.csdn.net/qq_36269513/article/details/80420363
https://www.cnblogs.com/gujianhan/p/6030639.html

主要源码讲解

train.py

import argparse
import Models , LoadBatches

parser = argparse.ArgumentParser()
parser.add_argument("--save_weights_path", type = str,default='weights/model/')#模型保存的路径
parser.add_argument("--train_images", type = str,default="data/dataset1/images_prepped_train/")#训练的图像
parser.add_argument("--train_annotations", type = str,default="data/dataset1/annotations_prepped_train/")#训练的标签文件
parser.add_argument("--n_classes", type=int,default=10)#分割的类别
parser.add_argument("--input_height", type=int , default =320 )#输入图像的height
parser.add_argument("--input_width", type=int , default =640)#输入图像的width
#这两个参数可以根据要求，自行调节
parser.add_argument('--validate',action='store_false',default=True)#是否需要验证集
parser.add_argument("--val_images", type = str , default = "data/dataset1/images_prepped_test/")#验证集的图像
parser.add_argument("--val_annotations", type = str , default = "data/dataset1/annotations_prepped_test/")#验证集的标签

parser.add_argument("--epochs", type = int, default = 10 )#epochs的数量
parser.add_argument("--batch_size", type = int, default = 2 )#batch_size数量
parser.ad