Ubuntu20搭建pytorch深度学习框架——运行Dlinknet提取道路水体(七)——不依赖增强样本提高训练iou和测试iou的尝试

本文记录了作者在解决图像分割任务中IoU指标提升问题的过程。通过不断尝试包括使用和放弃增强样本、优化训练样本等方法,最终发现样本质量直接影响IoU结果,并通过裁剪预测图像再计算IoU获得了较好的效果。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这里经过老师的提醒经历了很多“事故”
并且对代码进行了修改和整合
总结了出现的各种问题并进行解决

首先是没有完全纯净的测试样本

这个问题解决了之后
发现使用增强样本对iou的提升并没有料想中的好

于是这里直接返璞归真
先不使用增强样本
靠其他手段尽力提高iou

不进行增强后
并且将训练和测试样本划分为7.5:2.5
每隔5次输出权重,得到测试iou最高的一次权重
测试结果如下
在这里插入图片描述
在这里插入图片描述
这样看来结果稳定在70多%

并且对iou较低的进行了筛选
确实样本因素是导致iou结果低的首要问题
如果先不看样本因素

能否优化我们的训练和测试来尝试得到更好的结果呢

于是用这篇时隔多日的博文来展示一下我艰苦的尝试

训练样本的优化尝试

  • 对原始样本图片进行边缘扩充补全
  • 切割为512大小
  • 膨胀预测算法

截止到10.12日上面的三个步骤已经全部完成
可以将原大小的原图放入一个文件夹里
最后生成相同大小的预测图片
这里的膨胀预测算法非常好用
感谢这微博主的代码!

经过修改后可以进行批处理
并且适用于我们自己的深度学习算法
语义分割之膨胀预测
大家可以查看一下这篇文章
进行一下修改
我的代码就不粘贴了
改格式太麻烦

但这里还需要做的就是赋予生成的预测图片地理坐标
也许后期可以做个封装
把代码弄成一个流程
这样就方便多啦

这里使用这个膨胀预测方法预测的6060*6060大小的图片
iou特别低
因此做个尝试

  • 将6060大小的图片经过膨胀裁剪成512之后直接计算iou,不拼接回6060
  • 使用mmseg里面的iou计算一下我的预测样本

直接把要预测的图片裁成512大小,预测后计算iou

在这里插入图片描述
结果比之前的6060直接计算iou会低一些,应该是预测会差一点

把膨胀预测之后的图片裁成512大小,计算iou

在这里插入图片描述
裁剪之后预测高了点。。。而且预测速度非常快

确实是比6060的计算出来高一点
看来裁剪出来计算效果好点

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Laney_Midory

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值