![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
计算机视觉
文章平均质量分 69
李明朔
这个作者很懒,什么都没留下…
展开
-
零基础入门语义分割-Task6 分割模型模型集成
文章目录一、集成学习方法二、深度学习中的集成学习1.Dropout2.TTA3.Snapshot一、集成学习方法在机器学习中的集成学习可以在一定程度上提高预测精度,常见的集成学习方法有Stacking、Bagging和Boosting,同时这些集成学习方法与具体验证集划分联系紧密。由于深度学习模型一般需要较长的训练周期,如果硬件设备不允许建议选取留出法,如果需要追求精度可以使用交叉验证的方法。下面假设构建了10折交叉验证,训练得到10个语义分割模型。那么在10个CNN模型可以使用如下方式进行集成原创 2021-03-07 15:42:36 · 491 阅读 · 0 评论 -
零基础入门语义分割-Task5 模型训练与验证
使用Pytorch来完成CNN的训练和验证过程,逻辑结构如下:构造训练集和验证集;每轮进行训练和验证,并根据最优验证集精度保存模型。train_loader = torch.utils.data.DataLoader( train_dataset, batch_size=10, shuffle=True, num_workers=10, )val_loader = torch.utils.data.DataLoader( val_dataset, batch_si原创 2021-03-03 19:48:23 · 203 阅读 · 1 评论 -
零基础入门语义分割-Task4 评价函数与损失函数
这里写目录标题一、Dice评价指标二、IoU评价指标三级目录一、Dice评价指标Dice系数Dice系数(Dice coefficient)是常见的评价分割效果的方法之一,同样也可以改写成损失函数用来度量prediction和target之间的距离。Dice系数定义如下:Dice(T,P)=2∣T∩P∣∣T∣∪∣P∣=2TPFP+2TP+FN Dice (T, P) = \frac{2 |T \cap P|}{|T| \cup |P|} = \frac{2TP}{FP+2TP+FN} Dice(T,原创 2021-03-01 14:42:51 · 393 阅读 · 0 评论 -
图像语义分割模型综述
文章目录一级目录二级目录三级目录一级目录二级目录三级目录原创 2021-02-25 13:18:02 · 8274 阅读 · 1 评论 -
零基础入门语义分割——Task2 数据扩增
文章目录一、OpenCV数据扩增二、albumentations数据扩增三、Pytorch数据读取数据扩增方法:数据扩增是一种有效的正则化方法,可以防止模型过拟合,在深度学习模型的训练过程中应用广泛。数据扩增的目的是增加数据集中样本的数据量,同时也可以有效增加样本的语义空间。对于图像分类,数据扩增方法可以分为两类:标签不变的数据扩增方法:数据变换之后图像类别不变;标签变化的数据扩增方法:数据变换之后图像类别变化;对于语义分割而言,常规的数据扩增方法都会改变图像的标签。如水平翻转、垂直翻转、旋转原创 2021-02-23 19:33:41 · 359 阅读 · 0 评论 -
零基础入门语义分割——Task1 赛题理解
文章目录一、赛题数据二、数据标签三、评价指标四、读取数据比赛地址:零基础入门语义分割-地表建筑物识别一、赛题数据遥感技术已成为获取地表覆盖信息最为行之有效的手段,遥感技术已经成功应用于地表覆盖检测、植被面积检测和建筑物检测任务。本赛题使用航拍数据,需要参赛选手完成地表建筑物识别,将地表航拍图像素划分为有建筑物和无建筑物两类。左边为原始航拍图,右边为对应的建筑物标注。二、数据标签赛题为语义分割任务,因此具体的标签为图像像素类别。在赛题数据中像素属于2类(无建筑物和有建筑物),因此标签为有建筑物的原创 2021-02-20 19:31:56 · 308 阅读 · 0 评论