paddleseg学习笔记
前言
准备paddleseg做车道线检测,学习一下。
paddleseg主流模型
U-NET :
- 轻量级模型
- 参数少
- 计算快
DeepLabv3+:
- 支持多种Backboon特征提取
ICNet:
- 实时语义分割
- 适用高兴能预测场景
- 轻量级
移动端主干网络:MobileNetv2 0.25x/0.5x/1.0x/1.5x/2.0x
- 2.0性能最好,精度最高
服务端主干网络:Xception41/Xception65/Xception71
- 网络稍大,但是精度高
分割
分割的定义
图像分割通过给出每一个像素点的标签,及那个图像分割成若干个带标签的区块。它是由图像处理到图像分析的关键步骤。
常见公开数据集
CityScapes,城市街景分割数据集:
Pascal VOC:
COCO:
评价指标
- 准确率
- 召回率
- IOU
- Kappa系数:
该系数用于一致性校验,也可以用于衡量分割的精度。Kappa系数的计算是基于混淆矩阵,例:
分割网络设计
分割网络的特点:
因为分割的输出要和图像的输入大小一致,所以卷积操作对图片下采样后需要重新进行上采样恢复图片大小,也就是decoder和encoder两个过程。
分割网络要解决的问题
人像分割
特点
数据扩充方法
车道线分割
特点
网络选择
MobileNetv2 - DeepLabv3+
- 模式相对简单
- 速度快,显存占用少
- 10ms以内???亲测没这么快呀
中心线提取
- Ran sec算法
- 骨架提取算法