图像分割FAST-SCNN网络调参使用体验

最新推荐文章于 2024-03-15 11:58:57 发布
最新推荐文章于 2024-03-15 11:58:57 发布
阅读量825 收藏 2
点赞数
分类专栏： CV 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44831720/article/details/105574471
版权

1
我这FAST-SCNN训练出来使用GPU(2070S)的推理时间是80ms，无法再提高。百度官网的数据是8ms（V100），差距10倍
2
训练精度达不到商用级别，精度差很多kappa系数0.68
3
我用来做二分类的分割，loss用的是dice+bec的双损失函数，能有效避免二分类类别不均衡的问题
4
图像增强使用后效果确实好，但选用什么增强方式很重要（比如数据本身不是很清晰并且有水印，就不用模糊等，或者图像很多夜景也尽量不用亮度。色度。饱和度变化等增强方式
5
ADAM和SGD优化器，训练epoch不多的时候（比如200） SGD效果要好，训练达到1000epoch的时候ADAM效果更好，lr设置0.001最合适
6
开启warmup的训练效果明显可以提高
7
最后比较了ICNET和HRNET_W64分割网络，得到的结论是相对复杂的网络，精度更优，但推理更长，
HRNET_W64的推理时间达到500ms，kappa = 0.78,再调优估计可以上0.8
8
以上数据是根据我再400多张训练集图片上训练得到的结论，不排除数据增加会带来反结论

jaffe—fly
关注
专栏目录
计算机视觉论文总结系列（二）：图像分割篇
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
03-29 6901
本系列主要面向计算机视觉目标检测、图像分割及OCR等领域论文总结，每章将分别从最新方法、开源框架、模型、等方面展开介绍，主要面向深度学习CV方向同学学习，希望大家能够多多交流，欢迎订阅本专栏，如有错误请大家在评论区指正，如有侵权联系删除。
[目标检测] Faster R-CNN 深入理解 && 改进方法汇总
热门推荐
Z5337209的专栏
06-03 3万+
Faster R-CNN 从2015年底至今已经有接近两年了，但依旧还是Object Detection领域的主流框架之一，虽然推出了后续 R-FCN，Mask R-CNN 等改进框架，但基本结构变化不大。同时不乏有SSD，YOLO等骨骼清奇的新作，但精度上依然以Faster R-CNN为最好。对于一般的通用检测问题（例如行人检测，车辆检测），只需要         PS: 一作任少卿大神人挺帅
〔理论与代码分析〕Fast-SCNN：Fast Semantic Segmentation Network（语义分割、经典网络、速度、高效、实时）
最新发布
Le0v1n 的博客
03-15 1745
理论与代码分析：Fast-SCNN：Fast Semantic Segmentation Network 关键词：语义分割、经典网络、速度、高效、实时
Fast-SCNN：多分支结构共享低级特征的语义分割网络
小白学视觉
04-30 1286
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达来源：公众号我爱计算机视觉授权介绍一篇BMVC 2019语义分割论文Fast-SCNN:Fast Semantic Segmentation Network，谷歌学术显示该文已有62次引用。论文：https://arxiv.org/pdf/1902.04502.pdf代码：https://gi...
Python-FastSCNN的PyTorch实现快速语义分割网络
08-11
Fast-SCNN的PyTorch实现：快速语义分割网络
如何安装fast rcnn并训练自己的数据
Alpha奇的博客
08-12 1655
在fast-rcnn上安装并训练自己的数据，参考以下文章，并注意两点。 安装测试 :   https://github.com/rbgirshick/py-faster-rcnn 训练自己的数据: http://sunshineatnoon.github.io/Train-fast-rcnn-model-on-imagenet-without-matlab/ 基本教程网址内都有  
论文解读|BMVC 2019 |Fast-SCNN Fast Semantic Segmentation Network
Akita·Wang's Semantic Segmentation
01-24 763
论文地址：地址 文章目录摘要一、引入二、Fast-scnn架构1.整体架构2.Learning to Downsample3.Global Feature Extractor4.Feature Fusion Module5.Classifier三、实验1、Evaluation on Cityscapes2、Pre-training and Weakly Labeled Data3、Lower Input Resolution4、效果总结 摘要 编码器-解码器框架是最先进的离线语义图像分割。随着自主系统的
U-net、HRnet、Fast-scnn
04-18
、Deeplab-v3+，这些算法都是什么？...Fast-SCNN是一种轻量级的语义分割网络，可以实现实时的分割。而Deeplab-v3+是一种基于深度学习的图像分割方法，可以对图像的物体进行精细的分割，并拥有较高的准确率。
神经网络模型训练简记（三）
weixin_46846685的博客
11-06 1510
简要记录了UNet、BiSeNet、DeepLab系列等12种语义分割网络模型的结构和特点。
小熊飞桨练习册-08PaddleX底特律街景
m0_63642362的博客
06-24 202
简介 小熊飞桨练习册-08PaddleX底特律街景，是学习图像分割小项目，本项目开发和测试均在 Ubuntu 20.04 系统下进行。 项目最新代码查看主页：小熊飞桨练习册 百度飞桨 AI Studio 主页：小熊飞桨练习册-08PaddleX底特律街景 Ubuntu 系统安装 CUDA 参考：Ubuntu 百度飞桨和 CUDA 的安装锯齿狼牙的预测结果，模型：BiSeNetV2 文件说明 文件 说明 train.py 训练程序 prune.py 裁剪程序 quant.py 量化程序 infer.py 预
人体姿态估计HRNet网络模型搭建代码详解
jaredray的博客
03-27 5183
HRNet-v1模型详解 源码参考：https://github.com/HRNet/HRNet-Human-Pose-Estimation 仅作为个人的学习笔记，欢迎交流学习。 # 搭建HRNet模型，传入配置文件，位于 experiments/coco/hrnet/w32_256x192_adam_lr1e-3.yaml def get_pose_net(cfg, is_train, **kwargs): model = PoseHighResolutionNet(cfg, **kwargs)
语义分割中的参数设置及其意义
baidu_23388287的博客
07-14 1526
语义分割中的一些参数设置及其意义 近期一直在研究深度学习中语义分割任务，现在想总结一下训练策略和参数的设置 1.FCN 在voc-fcn-alexnet中 train_net: "train.prototxt" test_net: "val.prototxt" test_iter: 736 # make test net, but d...
深度学习网络调参技巧
weixin_33774615的博客
04-29 612
转自https://zhuanlan.zhihu.com/p/24720954?utm_source=zhihu&utm_medium=social 之前曾经写过一篇文章，讲了一些深度学习训练的技巧，其中包含了部分调参心得：深度学习训练心得。不过由于一般深度学习实验，相比普通机器学习任务，时间较长，因此调参技巧就显得尤为重要。同时个人实践中，又有一些新的调参心得，因此这里单独写一篇文章，...
图像 分割 - Fast-SCNN: Fast Semantic Segmentation Network (arXiv 2019)
77wpa的博客
08-04 970
编码器-解码器框架是用于离线语义图像分割的最先进的框架。随着自主系统的兴起，实时计算越来越受欢迎。在本文中，我们介绍了快速分割卷积神经网络（Fast-SCNN），这是一种针对高分辨率图像数据（1024×2048px）的实时语义分割模型，适用于低内存嵌入式设备上的高效计算。在现有的两种快速分割分支方法的基础上，我们引入了我们的“学习下采样”模块，该模块同时计算多个分辨率分支的低级特征。
语义分割之Fastscnn原理以及代码讲解
xuzz_498100208的博客
09-13 8325
Fastscnn也是目前比较优秀的语义分割模型，在具有较好的实时性（论文介绍能做到123.5帧，但是我自己亲测P100上实测大概是24ms左右（256*256的图像），大概40帧上下)的同时还具有很好地分割精度（在cityscapes上得到68.0%的miou，在实际应用层面精度还是可以的。）
Fast-SCNN: Fast Semantic Segmentation Network 论文学习
calvinpaean的博客
03-14 1万+
Fast-SCNN: Fast Semantic Segmentation NetworkAbstractIntroduction 论文地址：https://arxiv.org/abs/1812.05050 Abstract 就目前来说，Encoder-decoder 仍是 state of art 的线下语义分割方式。随着自动化系统的出现，计算的实时性变得越来越迫切。在这篇论文，作者提出了一个快...
语义分割中的训练策略和参数设置
qiusuoxiaozi的博客
06-20 6230
下面主要总结一下语义分割和边缘检测中，使用VGG作为base network的论文中，训练参数和策略的情况：
提升语义分割性能的几种方法
zhengzibing2011的博客
10-21 1万+
本文主要记录几种提升基于深度学习的图像语义分割精度的方法，以防忘记！ By zhengzibing2011, 2017年10月21日-星期六 1.图像语义分割面临的挑战(1).特征分辨率减小：主要是由神经网络中的重复最大池化和降采样（stride跨越）操作造成的，而采用此种操作的原因是 A.降维，以免参数过多难以优化；
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

jaffe—fly

古人学问无遗力，少壮工夫老始成

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值