1. 模型介绍
SegNet是一种语义分割网络，可以将图像分成不同的语义区域。它由Cambridge大学的研究人员开发，旨在解决计算机视觉中的语义分割问题。SegNet具有轻量级、快速、准确的特点，广泛应用于自动驾驶、医学图像分析、遥感图像分析等领域。
模型结构如下所示：
2. 工作概述
我在开发工程中，分别进行了：数据处理，模型构建，模型训练，模型微调，模型测试。在每一个步骤中我都获得了莫大的收获。
数据预处理：将Cityscapes数据集转换为SegNet所需的格式，包括图像和标注。
模型训练：使用SegNet框架对预处理后的数据集进行训练，以获得适合于Cityscapes数据集的语义分割模型。部分训练日志如下所示：
UserWarning: downsample module has been moved to the pool module.
warnings.warn("downsample module has been moved to the pool module.")
...............................................................................................................................................................................................................................................................................................................................................................................Epoch 1/100
14/367 [>.............................] - ETA: 889s - loss: 2.4858 - acc: 0.0782
一开始效果不好，关键是池化层，最终添加核心池化层之后效果变好。池化层定义在这里贴一下：
class UnPooling2D(Layer):
"""A 2D Repeat layer"""
def __init__(self, poolsize=(2, 2)):
super(UnPooling2D, self).__init__()
self.input = T.tensor4()
self.poolsize = poolsize
@property
def output_shape(self):
input_shape = self.input_shape
return (input_shape[0], input_shape[1],
self.poolsize[0] * input_shape[2],
self.poolsize[1] * input_shape[3])
def get_output(self, train):
X = self.get_input(train)
s1 = self.poolsize[0]
s2 = self.poolsize[1]
output = X.repeat(s1, axis=2).repeat(s2, axis=3)
return output
def get_config(self):
return {"name":self.__class__.__name__,
"poolsize":self.poolsize}
模型评估：使用评估指标（如IoU）对模型进行评估，以确定其在Cityscapes数据集上的性能。
模型应用：使用训练好的模型对Cityscapes数据集中的新图像进行语义分割，以获得图像中不同区域的语义信息。
3. 模型测试
在Jupyter中测试效果如下：
4. 收获总结
在本次比赛中，我将SegNet用于了Cityscapes数据集进行测试，效果较好。我在本次学习中，掌握了SegNet的构建以及训练方法，对于相关的模型架构也有了更深的理解。
