voc2012数据集_FCN+VOC2012

实践FCN+VOC2012语义分割

首先阅读了FCN论文，大概了解了利用FCN实现语义分割的方法和原理。

接着我了解了下语义分割的评价指标：

参考网址--https://www.jeremyjordan.me/evaluating-image-segmentation-models/

接着进行实践：

01.FCN网络参考如下网址中的

awesome-semantic-segmentation-pytorch/core/models/fcn.py

02.FCN训练PASCALVOC2012数据集—参考：

https://github.com/kawhidiot/pytorch-segmentation-voc

03.VOC2012用于分割的数据集可以参考：

https://oldpan.me/archives/pascal-voc2012-guide

实际上VOC2012仅仅部分图片适用于分割（2913张）（包括train和val）

注：02中代码是利用deeplabv3实现语义分割的，其中的加载数据部分和评价最后的指标写的挺好，就借助大体的框架，将训练网络和测试网络换成FCN，结果是可以进行训练和测试的。

在设定epoch和学习率之后，完成训练，并进行测试，但是结果很差,MIOU只有0.22，结果如下图所示，我尝试了多次，还是没有找到具体的原因。图示如下：

可视化的结果如下：

测试结果

groundtruth

我还未找到具体失败的原因在哪里，以上可以成功实现运用FCN网络进行VOC2012数据集的语义分割训练，方法可以参考。如果有人知道我失败的原因可以提一下，我进行改正。

最后大家如果对分割感兴趣的话，可以参考以下网址进行学习（包含各种网络以及API实现语义分割的教程及代码）

https://github.com/mrgloom/awesome-semantic-segmentation

之后又进行了反思，应该是上次找的代码有点问题，之后我又用PSPNET进行了实践，发现差不多达到了论文中的效果，

参考代码：https://github.com/hszhao/semseg

按照它的教程进行实验，我用的数据集是VOC2012Aug,相比于普通的VOC2012训练集更大，模型效果会更好，下图是voc2012_pspnet50模型的测试结果：

之后进行了可视化，效果还是挺好的，如下所示：

原图

label

分割可视化结果图