unet分割如何取其中一类_练习题︱图像分割与识别——UNet网络练习案例（两则）...

CSDN越来越不好使，给差评！！！

U-Net是Kaggle比赛非常青睐的模型，简单、高效、易懂，容易定制，可以从相对较小的训练集中学习。来看几个变形：

(1)Supervise.ly 公司。

在用 Faster-RCNN(基于 NasNet)定位 + UNet-like 架构的分割，来做他们数据众包图像分割方向的主动学习，当时没有使用 Mask-RCNN，因为靠近物体边缘的分割质量很低(终于！Supervise.ly 发布人像分割数据集啦(免费开源))；

(2)Kaggle-卫星图像分割与识别。

需要分割出：房屋和楼房；混杂的人工建筑；道路；铁路；树木；农作物；河流；积水区；大型车辆；小轿车。在U-Net基础上微调了一下。 而且针对不同的图像类型，微调的地方不一样，就会有不同的分割模型，最后融合。(Kaggle优胜者详解：如何用深度学习实现卫星图像分割与识别)

(3)广东政务数据创新大赛—智能算法赛 。

国土监察业务中须监管地上建筑物的建、拆、改、扩，高分辨率图像和智能算法以自动化完成工作。并且：八通道U-Net：直接输出房屋变化，可应对高层建筑倾斜问题；数据增强：增加模型泛化性，简单有效；加权损失函数：增强对新增建筑的检测能力；模型融合：取长补短，结果更全。(参考：LiuDongjing/BuildingChangeDetector)

(4)Kaggle车辆边界识别——TernausNet。

由VGG初始化权重 + U-Net网络，Kaggle Carvana Image Masking Challenge 第一名，使用的预训练权重改进U-Net，提升图像分割的效果。开源的代码在ternaus/TernausNet

当然现在还有很多流行、好用的分割网络：谷歌的DeepLabv3+(DeepLab: Deep Labelling for

Semantic Image Segmentation)、Mask R-CNN、COCO-16 图像分割冠军的实例分割FCIS(msracver/FCIS) 等。

跟目标检测需要准备的数据集不一样，因为图像分割是图像中实体的整个轮廓，所以标注的内容就是物体的掩膜。有两种标记方式：一种是提供单个物体的掩膜、一种是提供物体轮廓的标点。

一、U-Net网络练习题一： Kaggle - 2018 Data Science Bowl

1.1 训练集的构造

因为使用的是比赛数据，赛方已经很好地帮我们做好了前期数据整理的工作，所以目前来说可能很方便的制作训练集、测试集然后跑模型。这里下载得到的数据为提供图像中单个物体的掩膜。其中，笔者认为最麻烦的就是标注集的构造(掩膜)。

原图：

掩膜图：

从掩膜列表可以到，比赛中是把每个细胞的掩膜都分开来了。来看一下这个掩膜标注内容如何：

mask = np.zeros((IMG_HEIGHT, IMG_WIDTH, 1), dtype=np.bool)

Y_train