图像分割总结

#神经网络训练流程：
##数据预处理：
1、数据归一化(常用z-score,均值和方差,从参考文献获取)
2、阈值分割(从参考文献获取)
3、图像增强(自适应直方图均衡化)
4、图像去噪
5、保存图像，等待训练
##设计模型(针对数据类型)
1、寻找相似类型数据或同一数据集论文
2、复现别人的模型(从git-hub上面找，一般能找到公开代码(参考文献会公开git-hub地址,不行的话，直接在git-hub搜数据集名字)),
实验结果(loss文件：学长一般用tensorboard保存训练数据，建议用这个。模型：保存，并用实验超参命名，利于后期调参！)
3、神经网络是个玄学的东西，如果脑海没什么火花，别犹豫，直接去copy顶会顶刊最新研究进展，把合适的方法加入到你复现的模型中，
如果模型臃肿了，直接去掉多余的结构，该剪枝就剪枝！(用tensorboard监控运行过程)
##实验
1、设置超参
2、定义网络
3、加载数据（数据增强，这是一个重点，单独说，这里有一个batchsize属于超参）
4、挑选损失函数（根据你的参考文献选择损失函数类型（医学图像一般选择dice），有时损失函数的改进也可以发论文，但难😊）
5、选择优化器（根据数据集或者网络来选，我一般初始选择Adam，时间和精力允许，换成别的优化器跑一下）
6、学习率（数据越多，学习率设置要越小，反之，属于超参）
7、评价指标（这个太多了，网上一大堆，一般提供你数据的官方会指定，我们）
8、炼丹结束
监控一般看loos、评价指标、两者结合（因为一般loss和评价指标的计算方式是不同的，要结合实际情况来看），主要注意欠拟合、过拟合！
时间允许，多选几个基准模型，基准数据集
##调参
bacthsize：一般设为2（要求你的gpu个数不能是奇数），大了可能更好，可能更差，自己尝试
learning rate：数据少，初始就设为0.01，然后学习率衰减（根据loss或者epoch的变化，自己设置具体参数）
image shape：一般为2的次幂（256/512 etc,自己试），这个跟底层架构有关，利于梯度计算
深度监督系数：这个属于训练方式的范畴，可加可不加，最后其它的都尘埃落定，加一个试试？然后拜一拜佛祖，没准有意外收获。
##论文撰写
1、摘要
2、引言
3、*相关工作
4、方法
5、实验和分析
6、总结
7、*结论
8、致谢
9、参考文献
*可选
重点不是这个，hhhhh,重点是论文里面的图和表，这个可以让你们少走很多弯路#########实验一般分为基准模型对比和消融实验，第二步算一个baseline或者消融实验，看你选择。
一般我们论文的图和表分为：
原始数据的可视化（两到三个例子），图一
训练过程图（loss变化图，分训练集和验证集，），图二、图三、或图四（基准模型对比和消融实验）。
训练过程可视化：如果有注意力，会有个特征可视化
训练结果可视化，一图
表，评价指标（基准模型对比和消融实验，和其它参考文献的结果对比）
##数据增强
旋转：
裁剪：（滑动窗口的方式，最多）
平移:（用的不多，容易把目标给弄没了）
变换：
我们在加载数据时进行数据增强，也有人在数据预处理时进行数据增强（不太可取）
这个数据增强，我是根据记忆写的，不全，而且要根据自己的数据集进行选择，特别是二维数据和三维数据

###不定时总结、更新

#############################################################################第一次，2020年9月30日16点12分########################################################################