zoukankan      html  css  js  c++  java
  • 语义分割之BiSeNet

    作业内容

    1:文字回答:辨析TP、FN、FP、TN分别对应的含义(参考第一课时PPT14页中的图)

    TP:   真实为1,预测为1

    FP:真实为0,预测为0

    FN:真实为1,预测为0

    TN:真实为0,预测为0

    2:代码实现:根据需要自行搜索第一课时所提及损失函数的代码定义

    交叉熵

    加权交叉熵

    Focal loss

    Dice系数

    Jaccard系数

    Tversky系数

    Lovasz-Softmax loss

    3:文字回答:为什么分类器不能只用准确率这一个指标进行评判


    不看精确率,召回率无法得到模型的全部性能

    4:文字回答:简述实时语义分割模型的加速方法

    1)通过裁剪或resize来限定输入的图片大小,以降低计算复杂度。尽管这种方法简单有效,但空间细节的损失,尤其是边界部分,会导致算法精度下降

    2)通过减少网络通道数量加快处理速度,尤其是在骨干模型的早期阶段,但会弱化空间信息

    3)为追求极其紧凑的框架而丢掉模型最后阶段(比如ENet),该方法的缺点也很明显,由于ENet抛弃了最后阶段的下采样,模型的感受野不足以涵盖大物体,导致判别能力较差。

    4)为弥补空间细节的丢失,很多人采用U型结构,但U型结构在高分辨率特征图上引入额外的计算,会降低模型速度;丢失掉的空间信息无法通过引入浅层修复,因此性价比不高。

    5:代码实现:用BiSeNet实现对CityScapes数据集的分割

  • 相关阅读:
    CF1461F
    P7114
    CF576D
    CF1208F
    【2021-05-25】碎片化自有碎片化的办法
    【2021-05-23】人生十三信条
    【2021-05-22】人生十三信条
    【2021-05-21】人做成一件事,第一步往往是戒
    【2021-05-20】确认一个人,也就三秒钟的事情
    【2021-05-19】人生十三信条
  • 原文地址:https://www.cnblogs.com/sariel-sakura/p/13878743.html
Copyright © 2011-2022 走看看