- 博客(5)
- 收藏
- 关注
原创 天池语义分割task05
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。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、构造验证集在机器学习模型(特别是深度学习模型)的训练过程中,模型是非常容易过拟合的。深度学习模型在不断的训练过程中训练误差会逐渐降低,但测试误差的走势则不一定。在模型的训练过程中,模
2021-03-04 23:19:24 139 1
原创 天池语义分割task04
TP TN FP FN在讲解语义分割中常用的评价函数和损失函数之前,先补充一 TP(真正例 true positive) TN(真反例 true negative) FP(假正例 false positive) FN(假反例 false negative) 的知识。在分类问题中,我们经常看到上述的表述方式,以二分类为例,我们可以将所有的样本预测结果分成 TP、TN、FP、FN 四类,并且每一类含有的样本数量之和为总样本数量,即TP+FP+FN+TN= 总样本数量。其混淆矩阵如下:上述的概念都是通过
2021-03-02 00:09:39 159
原创 天池语义分割task03
1、FCN 原理及网络结构FCN 首先将一幅 RGB 图像输入到卷积神经网络后,经过多次卷积以及池化过程得到一系列的特征 图,然后利用反卷积层对最后一个卷积层得到的特征图进行上采样,使得上采样后特征图与原图像的大小一样,从而实现对特征图上的每个像素值进行预测的同时保留其在原图像中的空间位置信息,最后对上采 样特征图进行逐像素分类,逐个像素计算softmax 分类损失。主要特点:• 不含全连接层(FC)的全卷积(Fully Conv)网络。从而可适应任意尺寸输入。• 引入增大数据尺寸的反卷积
2021-02-26 23:07:23 261
原创 天池-建筑语义分割task02
数据扩充#原图train_mask = pd.read_csv('train_mask.csv', sep='\t', names=['name', 'mask'])img = cv2.imread('train/'+train_mask['name'].iloc[0])mask = rle_decode(train_mask['mask'].iloc[0])plt.figure(figsize=(8, 4))plt.subplot(1, 2, 1)plt.imshow(img)plt.su
2021-02-23 23:36:16 176
转载 天池语义分割task01
天池建筑语义分割task01rle编码:#由于缺少cv2,通过此方式安装!pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple!pip install opencv-contrib-python -i https://pypi.tuna.tsinghua.edu.cn/simple!pip install tqdm -i https://pypi.tuna.tsinghua.edu.cn/simple!pip
2021-02-20 22:15:51 194
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人