本文记录了BiSeNet模型在语义分割任务上的训练经验，对比了学习率poly和step更新策略，以及res18和res101网络结构下，rmsprop与sgd优化器的效果。实验表明，sgd优化器训练的accuracy更稳定，而rmsprop在训练初期accuracy上升快但波动大。在step策略下，res101的rms优化器震荡情况有所改善。后续工作将探索优化器的组合使用策略，以提升模型的精度和细节表现。
BiSeNet训练总结笔记
针对BiSeNet语义分割模型，利用开源的pytorch项目，进行了训练尝试。主要是利用不同的head network（res18和res101），结合不同的优化方法（rmsprop和sgd），在不同batch下（1,2,4,8）进行Camvid数据集的训练。
训练结束以后，利用如下图片和真实标签进行测试和对比：
学习率poly更新策略
其中初始学习率为0.01，采用poly_lr_scheduler策略，按epoch不断下降。
（图中的iteration应该为epoch)
Res18
rmsprop优化器
batch1
最低0.47元/天 解锁文章
723
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
