分割网络对结构光图像进行分割

1. U-Net

github连接

我们使用网页提供的预训练模型unet_carvana进行对carvana和散斑结构光图像（包括仿真和真实图像）进行二类分割（前景-背景分割）。结果是：

• 对carvana图像分割效果较好，这是因为模型是利用carvana数据集进行训练的。
• 对散斑结构光的分割效果极差，特别是对于仿真图像，完全无法进行分割。

我们的分割结果如下所示：

carvana 图像

结构光图像

对于仿真图像，对于三种不同的结构光投射的同一图像进行测试。对于真实图像，针对一般、室内、室外三种环境下的结构光图像进行测试。

• real-general
  
• real-indoor1
  
• real-indoor2
  
• real-indoor3
  
• real-outdoor
  
• synthetic-intel
  
• synthetic-ideal
• synthetic-polka
  

2. FCN

github分割网络仓库连接，这个仓库包含FCN, PSPNet, Deeplabv3, Deeplabv3+, DANet, DenseASPP, BiSeNet, EncNet, DUNet, ICNet, ENet, OCNet, CCNet, PSANet, CGNet, ESPNet, LEDNet, DFANet这些网络的代码。

我们参考readme的使用说明，首先下载pascal_voc数据集，然后用来训练全卷积分割网络fcn32_vgg16_pascal_voc。

源码中下载pascal_voc 2007和pascal_voc 2012数据集，其中下载pascal_voc 2007很快，但是下载pascal_voc 2012很慢，因此我修改了源码，只下载pascal_voc 2007数据集，并且计划使用pascal_voc 2007数据集进行训练。由于windows路径和linux路径搞混，调试多次未果，因此放弃了在windows系统上训练的计划。待后续使用服务器再进行训练。

训练完毕后，我们可以使用训练好的模型fcn32_vgg16_pascal_voc对自己的图像进行测试。由于这个仓库没有给出训练好的模型，因此我们只能按步骤先下载数据集，然后训练模型，最后测试模型了。

3. DenseASPP

github连接

这个代码给出了预训练模型，本以为可以顺利进行测试，但是发现这个代码是用torch 0.3.1写的，该版本的module名字使用了'.'，比如conv.1，而在以后的版本不允许模块名称有'.'，所以就放弃了这个代码的测试。

现在把希望寄托给最后一个选择了，看下面。

4.

github连接

这是OpenMMLab做的一个代码仓库，该仓库支持拼接不同的backbone，并支持采用不同的数据集进行训练，在此基础上，实现了许多分割方法，我们可以基于这个代码仓库对分割网络进行学习。