fcn拟合结果（2）

前面主要说的是二分类的训练过程，作为一个FCN训练的一个尝试。对于多分类的过程，我会尽可能详尽描述我的训练过程。不过涉及公司，所以不能开源我的训练代码，抱歉啦，但是欢迎大家讨论。

首先作为对可行驶区域的一个检测，我们最主要考虑的是将可行驶的道路检测出来，避免和行人，车辆以及道路的边缘。在调研中，我发现对于将路边作为一类可以大大提高可行驶区域的检测精度（不会把绿化带什么的认为是道路）。所以在做数据集的时候，我把车及人设为一类，路是一类，道路边为一类，其余全设为255（忽略的label）。

然后修改train.prototxt和deploy.prototxt，修改了output_num,将反卷积设为了可学习。在solver.prototxt中我还是把iter_size设为1。我先使用已有的FCN-32s的模型先训练我的32s模型，然后用我的32s模型训练16s的模型，最后使用16s的模型训练8s的模型，最后在加入CRF训练。数据集主要使用的是Cityscape的数据。

在训练32s的模型时，loss的速度下降的很快，很快降到了10000以下。

但是最后得出的三类模型对于cityscape的测试数据集效果不是很好，于是我又分为6类去做，绿化带为一类，道路边为一类，车及人设为一类，建筑物为一类，天空为一类，可行驶路面为一类去训练，训练到8s的模型loss大概在50000左右。我同时测试类32s，16s还有8s的模型，发现三者的结果相差并不是很大，大概在24000代左右都已经达到了最优。

我把模型用于我们的数据集进行测试，发现总会有大片的可行驶区域检测不到，效果并不理想。看了dilated-convolution的文章，我认为最主要的原因在于pool层的下采样过程（个人理解，损失了很多细节特征导致）。

后期采用dilated convolution来代替pool层，还有上采样过程考虑使用UDC的方法（Understanding Convolution for Semantic Segmentation）代替，后续的实验结果我会继续更新。