Are you sure you want to delete this task? Once this task is deleted, it cannot be recovered.
You can not select more than 25 topics
Topics must start with a chinese character,a letter or number, can include dashes ('-') and can be up to 35 characters long.
luxinghe
9a1260a37b
|
1 year ago | |
|---|---|---|
| datasetsnew | 1 year ago | |
| my_functionals | 1 year ago | |
| network | 1 year ago | |
| uuu | 1 year ago | |
| README.md | 1 year ago | |
| config.py | 1 year ago | |
| eval.py | 1 year ago | |
| generatorloss.py | 1 year ago | |
| loss.py | 1 year ago | |
| train_onestep.py | 1 year ago | |
| trainonestep.py | 1 year ago | |
README.md
GSCNN
目录
gscnn介绍
GDSCNN模型有一般的语义分割模型的常规流，并且在这基础上增加了形状流。常规流和正常的语义分割模型一样，而形状流则是对图片进行边缘检测，这样增加边缘检测可以使语义分割准确率提高，效果更好。
论文: Gated-SCNN: Gated Shape CNNs for Semantic Segmentation
模型架构
模型包括
常规流：使用wider_resnet进行语义分割。
形状流：利用常规流分割过程中的结果，对图片进行边缘检测。
融合模块：将常规流分割得到的结果和形状流边缘检测的结果进行融合，得到分割图片。
数据集
used Dataset :Cityscape Dataset Website
It contains 5,000 finely annotated images split into training, validation and testing sets with 2,975, 500, and 1,525 images respectively.
环境要求
- 硬件（ASCEND）
- ASCEND处理器
- 框架
- 通过下面网址可以获得更多信息:
- 依赖
- 见requirements.txt文件，使用方法如下:
pip install -r requirements.txt
脚本说明
脚本及样例代码
gscnn
├─ README.md # descriptions
├── datasetsnew
├─ cityscapes.py # Cityscapes Class
├── cityscpes_lables.py # Cityscapes_labels
├── data_transform.py # data_transform
├── edge_utils.py # preprocess edge
└─ setup_data.py # preprocess data
├── my_functionals
├─ custom_functional.py # loss function
├─ DualTaskLoss.py # the forth loss
└─ GatedSpatialConv.py # gatedspatialconv
├──network
├─ gscnn.py # main network
├─ mynn.py # batchnorm
├─ Resnet.py # resnet
├─ wider_resnet.py # wider resnet
├──uuu
├─ AttrDict.py # config dict
└─ misc.py # method_meter
├─ generatorloss.py # generate loss
├ loss.py # define loss
└─ trainonestep.py # trainonestepcell
├─ train_onestep.py # train
├─ eval.py # eval
├─ config.py # config
脚本参数
数据预处理、训练、评估的相关参数在train.py等文件
数据预处理相关参数
data_root 预处理前加载原始数据集目录
batchsize batchsize大小
train_dataset 训练集
val_dataset 测试集
训练和模型相关参数
lr 学习率
edge_weight 边缘loss的权重
seg_weight 分割loss的权重
att_weight 第三个loss的权重
dual_weight 融合loss的权重
max_epoch 训练的epoch数目
评估相关参数
model_path ckpt文件
data_root 测试集路径
配置相关参数
device_traget 硬件，只支持ASCEND
device_id 设备号
数据预处理过程
数据预处理
数据预处理运行示例:
python setup.py
进行数据预处理并加载到dataloader
训练过程
训练
-
单卡训练
运行示例:
python train_onestep.py
参数:
device_id 可用机器数目
lr 学习率
edge_weight 边缘loss的权重
seg_weight 分割loss的权重
att_weight 第三个loss的权重
dual_weight 融合loss的权重
max_epoch 训练的epoch数目
上述命令将在后台运行，可以通过train.log查看结果
评估过程
评估
运行示例:
python eval.py
参数:
model_path ckpt文件
data_root 测试集路径
模型描述
性能
训练性能
| 参数 | gscnn |
|---|---|
| 资源 | Ascend910 |
| 上传日期 | 2022-11-20 |
| MindSpore版本 | 1.7.1 |
| 数据集 | Cityscapes |
| 训练参数 | 8p, epoch = 225, batch_size = 2, lr=0.001 |
| 优化器 | SGD |
| 损失函数 | JointEdgeSegLoss(seg_loss, edge_loss, dual_loss) |
| 输出 | mean_iu(55.15%) |
| 损失值 | 1.58 |
| 运行速度 | 8p 4180 ms/step |
| 训练总时间 | 8p 约66h |
随机情况说明
随机性主要来自下面两点:
- 参数初始化
- 轮换数据集