Paddle图像分割7日打卡心得
非常感谢百度Paddle这次的课程，让我对于图像分割有了初步的了解。刚开始报名的时候，以为是一个实践式的课程，开始上课才发现是一个理论为主加代码实践的课程（朱老师的直播代码水平确实很强_）。本来以为可以轻松的状态学习下来，没想到学起来是很懵很充实的，找到了久违的学习感觉。
基础概念
- 卷积层(convolution layer): 执行卷积操作提取底层到高层的特征，发掘出图片局部关联性质和空间不变性质。
- 池化层(pooling layer):执行降采样操作。通过取卷积输出特征图中局部区块的最大值(max-pooling)或者均值(avg-pooling)。降采样也是图像处理中常见的一种操作，可以过滤掉一些不重要的高频信息。
- 全连接层(fully-connected layer，或者fc layer): 输入层到隐藏层的神经元是全部连接的。
- 非线性变化:卷积层、全连接层后面一般都会接非线性变化函数，例如Sigmoid、Tanh、ReLu等来增强网络的表达能力，在CNN里最常使用的为ReLu**函数。
- Dropout: 在模型训练阶段随机让一些隐层节点权重不工作，提高网络的泛化能力，一定程度上防止过拟合。
Class1 图像分割
图像分割类型：
- 语义分割（课程主要实现）：给每个像素点分类
- 实例分割：给每个框里的object分mask
- 全景分割：背景像素点分类+框mask
应用场景：
- 人像分割
- 自动驾驶（行人、车道线、车辆分割）
- 医学影像（CT、病理）
- 工业质检、分练机器人
实践部分
- 简单网络搭建：basic_model.py
- 熟悉dataloader原理：basic_dataloader.py
- 分割数据处理：basic_transform.py
Class2 全卷积FCN网络
实践部分
- Loss函数：basic_seg_loss.py
- FCN网络的实现：fcn8s.py
- 训练程序：basic_train.py
Class3 U-Net/PSPNet模型
VGG
牛津大学VGG(Visual Geometry Group)组在2014年ILSVRC提出的模型被称作VGG模型。该模型相比以往模型进一步加宽和加深了网络结构，它的核心是五组卷积操作，每两组之间做Max-Pooling空间降维。同一组内采用多次连续的3X3卷积，卷积核的数目由较浅组的64增多到最深组的512，同一组内的卷积核数目是一样的。卷积之后接两层全连接层，之后是分类层。由于每组内卷积层的不同，有11、13、16、19层这几种模型，下图展示一个16层的网络结构。VGG模型结构相对简洁，提出之后也有很多文章基于此模型进行研究，如在ImageNet上首次公开超过人眼识别的模型就是借鉴VGG模型的结构。
实践部分
- 动态图搭建PSPNet:pspnet.py
- 模型预测代码:infer.py
- UNet实现:UNet.py
Class4 DeepLab系列网络
实践部分
- 动态图搭建DeepLab V3:deeplab.py
- 对resnet.py进行修改，实现Multi_grid机制:resnet.py
总结
1.如果你不会python，可以参考你熟悉的编程语言，基本思路是一致的，差别的地方查文档；
2.多看Paddle API 文档：https://www.paddlepaddle.org.cn/documentation/docs/zh/api_cn/index_cn.html；
3.多看百度Paddle官网，各种资料可以学习；
4.学会查看调试过程中的报错信息，方便查找编码问题；