点击左上方蓝字关注我们
【飞桨开发者说】路星奎,沈阳化工大学信息工程学院研究生在读,PPDE飞桨开发者技术专家,研究方向为图像分类、目标检测、图像分割等
内容简介
本项目讲述了HRNet网络结构,并尝试使用PaddleSeg中HRNet网络实现瓷砖缺陷检测
PaddleSeg GitHub:
https://github.com/PaddlePaddle/PaddleSeg
本文包含以下4部分内容:
-
PaddleSeg介绍
-
HRNet网络分析
-
基于PaddleSeg使用HRNet网络进行瓷砖缺陷检测
PaddleSeg介绍
PaddleSeg是基于PaddlePaddle开发的图像分割开发套件,覆盖了DeepLabv3+、U-Net、ICNet、PSPNet、HRNet、Fast-SCNN等主流分割网络。通过模块化的设计,以配置化方式驱动模型组合,帮助开发者更便捷地完成从训练到部署的全流程图像分割应用。
PaddleSeg产品特点:
1. 丰富的数据增强:基于百度视觉技术部的实际业务经验,内置10+种数据增强策略,可结合实际业务场景进行定制组合,提升模型泛化能力和鲁棒性。
2. 模块化设计:支持DeepLabv3+、U-Net、ICNet、PSPNet、HRNet、Fast-SCNN六种主流分割网络,结合预训练模型和可调节的骨干网络,满足不同性能和精度的要求;选择不同的损失函数如Dice Loss, Lovasz Loss等方式可以强化小目标和不均衡样本场景下的分割精度。
3. 高性能:PaddleSeg支持多进程I/O、多卡并行等训练加速策略,结合飞桨核心框架的显存优化功能,可大幅度减少分割模型的显存开销,让开发者更低成本、更高效地完成图像分割训练。
4. 工业级部署:全面提供服务端和移动端的工业级部署能力,依托飞桨高性能推理引擎和高性能图像处理实现,开发者可以轻松完成高性能的分割模型部署和集成。通过Paddle-Lite,可以在移动设备或者嵌入式设备上完成轻量级、高性能的人像分割模型部署。
5. 产业实践案例:PaddleSeg提供丰富地产业实践案例,如人像分割、工业表计检测、遥感分割、人体解析,工业质检等产业实践案例,助力开发者更便捷地落地图像分割技术。
HRNet网络分析
论文名称:
High-Resolution Representations for Labeling Pixels and Regions
下载地址:
https://arxiv.org/pdf/1904.04514.pdf
网络整体结构:
如上图所示HRNet有四个并行的分支,包含三次下采样过程。值得注意的是,上图中的输入是以原始输入的1/4开始的,即先经历了2次步长为2的3×3卷积。
HRNet网络结构特点:
-
始终保持高分辨率表征
从网络整体结构可以看出,每次产生低分辨率特征图之后,原有的高分辨特征还会参与到后续的卷积过程,因此产生了并行的不同分辨率的特征图。
-
残差单元
图中的直箭头代表残差单元,残差单元由4个残差卷积(1×1、3×3、1×1)构成。