图像语义分割代码实现（1）

最新推荐文章于 2024-07-26 15:57:18 发布

zizi7

最新推荐文章于 2024-07-26 15:57:18 发布

阅读量1.8w

点赞数 5

分类专栏：机器学习图像处理文章标签： FCN 图像语义分割代码

本文链接：https://blog.csdn.net/zizi7/article/details/77163969

版权

本文介绍了基于FCN算法的图像语义分割实践，详细阐述了如何在SIFT-Flow数据集上进行训练和测试。内容包括数据准备、训练脚本修改、训练与测试流程，以及如何制作自己的训练数据。通过实例指导读者理解并应用FCN进行图像分割。

摘要由CSDN通过智能技术生成

针对《图像语义分割（1）- FCN》介绍的FCN算法，以官方的代码为基础，在 SIFT-Flow 数据集上做训练和测试。

介绍了如何制作自己的训练数据

数据准备

参考文章《FCN网络的训练——以SIFT-Flow 数据集为例》

1）首先 clone 官方工程

git clone https://github.com/shelhamer/fcn.berkeleyvision.org.git

工程是基于 CAFFE 的，所以也需要提前安装好

2）下载数据集及模型
- 到这里下载 SIFT-Flow 数据集，解压缩到 fcn/data/sift-flow/ 下
- 到这里下载 VGG-16 预训练模型，移动到 fcn/ilsvrc-nets/ 下
- 参考文章《 FCN模型训练中遇到的困难》，到这里下载 VGG_ILSVRC_16_layers_deploy.prototxt
　或者直接 copy 以下内容：

name: "VGG_ILSVRC_16_layers"
input: "data"
input_dim: 10
input_dim: 3
input_dim: 224
input_dim: 224
layers {
  bottom: "data"
  top: "conv1_1"
  name: "conv1_1"
  type: CONVOLUTION
  convolution_param {
    num_output: 64
    pad: 1
    kernel_size: 3
  }
}
layers {
  bottom: "conv1_1"
  top: "conv1_1"
  name: "relu1_1"
  type: RELU
}
layers {
  bottom: "conv1_1"
  top: "conv1_2"
  name: "conv1_2"
  type: CONVOLUTION
  convolution_param {
    num_output: 64
    pad: 1
    kernel_size: 3
  }
}
layers {
  bottom: "conv1_2"
  top: "conv1_2"
  name: "relu1_2"
  type: RELU
}
layers {
  bottom: "conv1_2"
  top: "pool1"
  name: "pool1"
  type: POOLING
  pooling_param {
    pool: MAX
    kernel_size: 2
    stride: 2
  }
}
layers {
  bottom: "pool1"
  top: "conv2_1"
  name: "conv2_1"
  type: CONVOLUTION
  convolution_param {
    num_output: 128
    pad: 1
    kernel_size: 3
  }
}
layers {
  bottom: "conv2_1"
  top: "conv2_1"
  name: "relu2_1"
  type: RELU
}
layers {
  bottom: "conv2_1"
  top: "conv2_2"
  name: "conv2_2"
  type: CONVOLUTION
  convolution_param {
    num_output: 128</