【代码实现】Searching for Efficient Multi-Scale Architectures for Dense Image Prediction

最新推荐文章于 2024-03-02 22:46:40 发布
最新推荐文章于 2024-03-02 22:46:40 发布
阅读量2.1k 收藏 5
点赞数
分类专栏： 语义分割
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/mooneve/article/details/83412628
版权
本文详细介绍如何使用Cityscapes数据集和DeepLab模型进行语义分割任务，包括环境搭建、数据准备、模型训练、评估及可视化全过程。

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

目录

相关资料

代码地址：https://github.com/tensorflow/models/tree/master/research/deeplab
论文地址：https://arxiv.org/abs/1809.04184
个人笔记：https://blog.youkuaiyun.com/mooneve/article/details/83144385
官方教程：
https://github.com/tensorflow/models/blob/master/research/deeplab/g3doc/installation.md
https://github.com/tensorflow/models/blob/master/research/deeplab/g3doc/cityscapes.md

参考资料

https://blog.youkuaiyun.com/cs_hnu_scw/article/details/79695347
https://blog.youkuaiyun.com/u011974639/article/details/80574306
https://blog.youkuaiyun.com/u011974639/article/details/80948990

环境要求

Ubuntu16.04
CUDA 9.0（若使用8.0，则tensorflow版本最高为1.4）
Python 3.6:

  • Numpy
  • Pillow 1.0
  • tf Slim (which is included in the “tensorflow/models/research/” checkout)
  • Jupyter notebook
  • Matplotlib
  • Tensorflow

安装Anaconda和tensorflow

下载地址：https://repo.anaconda.com/archive/
选择64位linux版 python下载，安装即可。可参考 https://blog.youkuaiyun.com/cs_hnu_scw/article/details/79695347
（在这里我创建的python虚拟环境名为deeplab）
在这里插入图片描述

配置代码环境

任意目录下打开Terminal，输入以下命令，将代码克隆到本地，获得models文件夹。

git clone https://github.com/tensorflow/models.git

在这里插入图片描述
在命令行中，输入：

source activate deeplab

切换到tensorflow python虚拟环境中，输入：

sudo gedit ~/.bashrc

打开编辑~/.bashrc，在文件末尾将models/research/slim添加到PYTHONPATH中，避免以后每次打开Terminal都要手动输入，添加内容为：

export PYTHONPATH=/home/lab/ygy/models/research/slim:$PYTHONPATH

/home/lab/ygy为存放models文件夹的目录。
在这里插入图片描述
完成后，命令行进入/models/research目录，在目录下输入：

python deeplab/model_test.py

运行model_test.py测试，结果报错:
在这里插入图片描述
原因：当前版本中model_test.py存在一处错误，代码第140行，scales_to_model_results.keys()的类型为dict_keys，需要将其转为list类型，故修改如下：

self.assertListEqual(list(scales_to_model_results.keys()),
                               expected_endpoints)

修改完成后即可运行通过。
在这里插入图片描述

Cityscapes数据集

下载

去 https://www.cityscapes-dataset.com/ 上下载数据集。由于直接分享违法，故需要注册账号(最好用带edu的邮箱注册)。
下载数据集leftImg8bit_trainvaltest.zip (11GB)和对应的标注集gtFine_trainvaltest.zip (241MB)。
将两个压缩包解压至：/ygy/models/research/deeplab/datasets/cityscapes。
解压完毕后，在cityscapes目录下运行命令：

git clone https://github.com/mcordts/cityscapesScripts.git

将操作Cityscapes数据集标签的代码克隆到本地。接着在cityscapes下创建tfrecord, exp等目录。train_on_train_set 目录存储 train/eval/vis 的过程和结果。（后面为了分别测试trainfine和trainval模型，文件名做了相应修改）
此时cityscapes下的目录结构为：

+ /ygy/models/research/deeplab/datasets/cityscapes
  + cityscapesscripts
  + leftImg8bit
  + gtFine
  + tfrecord
  + exp
    + train_on_train_set
      + train_fine
      + train_val
      + eval_fine
      + eval_val
      + vis_fine
      + vis_val

修改代码生成Cityscapes的TFRecord

进入/ygy/models/research/deeplab/datasets/cityscapes/cityscapesscripts/preparation文件夹
修改createTrainIdLabelImgs.py代码第42行，将其指定为cityscapes数据集的位置：

cityscapesPath = '/home/lab/ygy/models/research/deeplab/datasets/cityscapes'

然后即可在/models/research/deeplab/datasets目录下运行convert_cityscapes.sh，生成TFRecord。如下图：

sh convert_cityscapes.sh

在这里插入图片描述
生成的TFRecord保存在cityscapes/tfrecord文件夹中
在这里插入图片描述

在CityScapes下训练

下载预训练模型

去 model_zoo上下载github上官方给出的预训练模型 ，目前在CityScapes下有两种模型可供选择：xception71_dpc_cityscapes_trainfine（445 M）和xception71_dpc_cityscapes_trainval（446 M）。将两个模型下载后，解压放到deeplab/backbone目录下（该目录自己手动创建）。
在这里插入图片描述

1.模型训练

官方给出的训练样例为：

# From tensorflow/models/research/
python deeplab/train.py \
    --logtostderr \
    --training_number_of_steps=90000 \ 训练迭代次数，初次实验时刻设置为500，1000等，验证是否正确
    --train_split="train" \
    --model_variant="xception_65" \ 选择使用的模型，这里我们需要改为xception_71
    --atrous_rates=6 \  见下方注意1
    --atrous_rates=12 \
    --atrous_rates=18 \
    --output_stride=16 \
    --decoder_output_stride=4 \ 见下方注意2
    --train_crop_size=769 \ 训练图片的裁剪大小，代码中默认为513，最小不低于312
    --train_crop_size=769 \
    --train_batch_size=1 \如要复现论文中的效果则至少为8（注意显卡显存是否足够），同时设置fine_tune_batch_norm = True
    --dataset="cityscapes" \ 使用的数据集名称
    --dense_prediction_cell_json="deeplab/core/dense_prediction_cell_branch5_top1_cityscapes.json" 运行DCP时需要添加此项
    --tf_initial_checkpoint=${PATH_TO_INITIAL_CHECKPOINT} \  预训练模型路径
    --train_logdir=${PATH_TO_TRAIN_DIR} \ 训练日志存放目录
    --dataset_dir=${PATH_TO_DATASET}  TFRecord目录

注意1：
xception71_dpc_cityscapes_trainfine的output_stride为16
xception71_dpc_cityscapes_trainval 的output_stride为8，所以使用后者作为预训练模型时，则atrous_rates 需要从 [6, 12, 18] 变为 [12, 24, 36]。
注意2：
如果不想使用decoder结构，可以去掉命令中的decoder_output_stride。
注意3：
当batch_size 小于12时，应将fine_tune_batch_norm设为false，故在训练时还需要带上这个变量。

xception71_dpc_cityscapes_trainfine调用命令

我的机器显卡为1080ti ，batch_size只能设为1 ┓( ´∀` )┏，或者你可以选择把图片裁剪到更小，比如设为默认的513

python deeplab/train.py \
    --logtostderr \
    --training_number_of_steps=1000 \
    --train_split="train" \
    --model_variant="xception_71" \
    --atrous_rates=6 \
    --atrous_rates=12 \
    --atrous_rates=18 \
    --output_stride=16 \
    --decoder_output_stride=4 \
    --train_crop_size=769 \
    --train_crop_size=769 \
    --train_batch_size=1 \
    --fine_tune_batch_norm=False \ 
    --dataset="cityscapes" \
    --dense_prediction_cell_json="deeplab/core/dense_prediction_cell_branch5_top1_cityscapes.json" \ 
    --tf_initial_checkpoint="deeplab/backbone/train_fine/model.ckpt"\ 
    --train_logdir="deeplab/datasets/cityscapes/exp/train_on_train_set/train_fine" \
    --dataset_dir="deeplab/datasets/cityscapes/tfrecord"

训练过程如下图：
在这里插入图片描述

xception71_dpc_cityscapes_trainval调用命令

这个模型batch_size直接设为1，1080Ti显存不足，所以我把图片也裁剪到513后运行通过。

python deeplab/train.py \
    --logtostderr \
    --training_number_of_steps=1000 \
    --train_split="train" \
    --model_variant="xception_71" \
    --atrous_rates=12 \
    --atrous_rates=24 \
    --atrous_rates=36 \
    --output_stride=8 \
    --decoder_output_stride=4 \
    --train_crop_size=513 \
    --train_crop_size=513 \
    --train_batch_size=1 \
    --fine_tune_batch_norm=False \ 
    --dataset="cityscapes" \
    --dense_prediction_cell_json="deeplab/core/dense_prediction_cell_branch5_top1_cityscapes.json" \ 
    --tf_initial_checkpoint="deeplab/backbone/trainval_fine/model.ckpt" \ 
    --train_logdir="deeplab/datasets/cityscapes/exp/train_on_train_set/train_val" \
    --dataset_dir="deeplab/datasets/cityscapes/tfrecord"

2.模型评估

官方给出的评估样例为：

# From tensorflow/models/research/
python deeplab/eval.py \
    --logtostderr \
    --eval_split="val" \
    --model_variant="xception_65" \ 选择使用的模型，这里我们需要改为xception_71
    --atrous_rates=6 \  设置同上，使用tarinval时，需要修改为[12,24,36,8]
    --atrous_rates=12 \
    --atrous_rates=18 \
    --output_stride=16 \
    --decoder_output_stride=4 \
    --eval_crop_size=1025 \  测试图片时，图片裁剪可以大一些
    --eval_crop_size=2049 \
    --dataset="cityscapes" \
    --checkpoint_dir=${PATH_TO_CHECKPOINT} \ 训练模型存放的目录
    --eval_logdir=${PATH_TO_EVAL_DIR} \ 保存验证结果的目录
    --dataset_dir=${PATH_TO_DATASET}  TFRecord目录

一开始我评估和可视化的时候都报错了，提示Key aspp0/BatchNorm/beta not found in checkpoint，后来向作者提问之后才知道 --dense_prediction_cell_json=“deeplab/core/dense_prediction_cell_branch5_top1_cityscapes.json”
也是需要加上的……只能怪自己阅读理解能力不好o(╥﹏╥)o https://github.com/tensorflow/models/issues/5630

xception71_dpc_cityscapes_trainfine调用命令

python deeplab/eval.py \
    --logtostderr \
    --eval_split="val" \
    --model_variant="xception_71" \
    --atrous_rates=6 \
    --atrous_rates=12 \
    --atrous_rates=18 \
    --output_stride=16 \
    --decoder_output_stride=4 \
    --eval_crop_size=1025 \
    --eval_crop_size=2049 \
    --dataset="cityscapes" \
    --dense_prediction_cell_json="deeplab/core/dense_prediction_cell_branch5_top1_cityscapes.json" \
    --checkpoint_dir="deeplab/datasets/cityscapes/exp/train_on_train_set/train_fine" \
    --eval_logdir="deeplab/datasets/cityscapes/exp/train_on_train_set/eval_fine" \
    --dataset_dir="deeplab/datasets/cityscapes/tfrecord"

在这里插入图片描述
注意：eval.py 和vis.py在评估完毕后，并不会主动停止，它们会一直等待新的checkpoint，所以需要我们手动按ctrl+c把程序停止。

xception71_dpc_cityscapes_trainval调用命令

可能由于我训练的时候设置的crop size是513，所以mIOU比官方低一些。

python deeplab/eval.py \
    --logtostderr \
    --eval_split="val" \
    --model_variant="xception_71" \
    --atrous_rates=12 \
    --atrous_rates=24 \
    --atrous_rates=36 \
    --output_stride=8 \
    --decoder_output_stride=4 \
    --eval_crop_size=1025 \
    --eval_crop_size=2049 \
    --dataset="cityscapes" \
    --dense_prediction_cell_json="deeplab/core/dense_prediction_cell_branch5_top1_cityscapes.json" \
    --checkpoint_dir="deeplab/datasets/cityscapes/exp/train_on_train_set/train_val" \
    --eval_logdir="deeplab/datasets/cityscapes/exp/train_on_train_set/eval_val" \
    --dataset_dir="deeplab/datasets/cityscapes/tfrecord"

在这里插入图片描述

3.分割可视化

官方给出的评估样例为：

# From tensorflow/models/research/
python deeplab/vis.py \
    --logtostderr \
    --vis_split="val" \
    --model_variant="xception_65" \ 选择使用的模型，这里我们需要改为xception_71
    --atrous_rates=6 \ 设置同上，使用tarinval时，需要修改为[12,24,36,8]
    --atrous_rates=12 \
    --atrous_rates=18 \
    --output_stride=16 \
    --decoder_output_stride=4 \
    --vis_crop_size=1025 \ 测试图片时，图片裁剪可以大一些
    --vis_crop_size=2049 \
    --dataset="cityscapes" \
    --colormap_type="cityscapes" \
    --checkpoint_dir=${PATH_TO_CHECKPOINT} \ 训练模型存放的目录
    --vis_logdir=${PATH_TO_VIS_DIR} \ 保存分割结果的目录
    --dataset_dir=${PATH_TO_DATASET} TFRecord目录
    --also_save_raw_predictions=True  是否保存原始的预测图

注意：如果想保存分割结果用于evaluation server，可设置also_save_raw_predictions=True

xception71_dpc_cityscapes_trainfine调用命令

python deeplab/vis.py \
    --logtostderr \
    --vis_split="val" \
    --model_variant="xception_71" \
    --atrous_rates=6 \
    --atrous_rates=12 \
    --atrous_rates=18 \
    --output_stride=16 \
    --decoder_output_stride=4 \
    --vis_crop_size=1025 \
    --vis_crop_size=2049 \
    --dataset="cityscapes" \
    --colormap_type="cityscapes" \
    --dense_prediction_cell_json="deeplab/core/dense_prediction_cell_branch5_top1_cityscapes.json" \
    --checkpoint_dir="deeplab/datasets/cityscapes/exp/train_on_train_set/train_fine" \
    --vis_logdir="deeplab/datasets/cityscapes/exp/train_on_train_set/vis_fine" \
    --dataset_dir="deeplab/datasets/cityscapes/tfrecord" \ 
    --also_save_raw_predictions=True

在这里插入图片描述
部分分割结果图：
在这里插入图片描述
在这里插入图片描述

xception71_dpc_cityscapes_trainval调用命令

python deeplab/vis.py \
    --logtostderr \
    --vis_split="val" \
    --model_variant="xception_71" \
    --atrous_rates=12 \
    --atrous_rates=24 \
    --atrous_rates=36 \
    --output_stride=8 \
    --decoder_output_stride=4 \
    --vis_crop_size=1025 \
    --vis_crop_size=2049 \
    --dataset="cityscapes" \
    --colormap_type="cityscapes" \
    --dense_prediction_cell_json="deeplab/core/dense_prediction_cell_branch5_top1_cityscapes.json" \
    --checkpoint_dir="deeplab/datasets/cityscapes/exp/train_on_train_set/train_val" \
    --vis_logdir="deeplab/datasets/cityscapes/exp/train_on_train_set/vis_val" \
    --dataset_dir="deeplab/datasets/cityscapes/tfrecord" \ 
    --also_save_raw_predictions=True

在这里插入图片描述
部分分割结果图：
在这里插入图片描述
在这里插入图片描述

按照官方的说法，trainval的mIOU比trainfine高，而我这里测试效果相反，应该是因为trainval我训练时裁剪得更小导致的。啊啊啊啊，想要显存更大的显卡！w(ﾟДﾟ)w

ImagePrediction
04-06
图像预测 你好伙计，很高兴在这里见到你。 让我解释一下整个项目。 介绍 该项目可以预测上传到该图像的任何类型的图像。 它使用MobileNetV2开发的图像预测模型。 有更多具有较高概率的流行模型，例如ResNet50（由Microsoft），InceptionV3（由Google）和DenseNet121（由Facebook）。 我之所以使用MobileNet是因为与其他型号相比，该型号的尺寸较小。 其他模型在预测图像方面也很出色。 您可以在此存储库中找到其他模型。 这是一个链接，可了解有关更多信息。 在Heroku上部署模型 您可以从此在Heroku上测试模型。 我在测试不同的图像时玩得很开心，发现与其他所有人相比，MobileNetV2可以更好地预测某些图像。 请使用您想要的图像测试模型。 我相信你也会喜欢的。 推荐 如有任何问题或联系，请随时与我联系。 你可以找到我
kitti_scripts:Github托管KITTI数据集语义分段开发套件。 我没有创建此文件，也没有任何信誉。 请参考网站
05-10
强大的视觉挑战赛2018-实例和语义分割Devkit 数据集下载 我们提供了一个devkit，用于下载，提取挑战数据集并将其转换为统一格式。 但是，某些细分基准需要用户注册并确认许可条款，然后才能授予访问其数据的权限。 因此，您需要手动下载以下数据集： 请在注册并下载以下档案：“ leftImg8bit_trainvaltest.zip”和“ gtFine_trainvaltest.zip”。 同样，在上并下载档案“ wd_val_01.zip”。 在运行devkit之前，请准备以下文件结构（Kitti2015和ScanNet将自动下载）。 - devkit/instance/archives/ - Cityscapes_archives/leftImg8bit_trainvaltest.zip - Cityscapes_archives/gtFine_trainvalt
语义分割Searching for Efficient Multi-Scale Architectures for Dense Image Prediction论文详解
sinat_24674017的博客
07-24 440
论文链接 https://arxiv.org/abs/1809.04184 动机 目前的工作显示了在图像分类任务上，通过meta learning自动设计的网络的表现已经超过了一些人工设计的网络。但是我们希望把meta learning技巧运用到其他视觉任务上，比如语义分割、目标检测。这类任务依赖高分辨率的图片输入以及多尺度的图片特征表达。但是把分类任务的想法运用到这类更复杂的任务上无法满足任务要...
【语义分割】Searching for Efficient Multi-Scale Architectures for Dense Image Prediction翻译
会意的博客
10-18 4227
神经网络架构的设计是机器学习系统在广泛的任务中达到最先进性能的重要组成部分。许多工作都致力于通过巧妙构建搜索空间与简单学习算法配合来自动设计和构建体系结构。最近的进展表明，这种元学习（meta-learning）方法可能超出可扩展的人为发明的图像分类任务架构。 一个悬而未决的问题是这些方法可以推广到新领域的程度。在这项工作中，我们探索了密集图像预测的元学习技术的构建，重点是场景解析，人物部分（person-part ）分割和语义图像分割的任务。由于视觉信息的多尺度表示和在高分辨率图像上操作的必要性，在该领域
ImageAI (一) 使用Python快速简单实现图像内容预测 Image Prediction
AlphaTao的博客
07-11 2万+
简介 ImageAI是一个python的库，它能使开发人员用简单几行代码构建具有深度学习和计算机视觉功能的应用程序和系统。它是由Moses Olafenwa和John Olafenwa两位开发并维护。 具体git地址：https://github.com/OlafenwaMoses/ImageAI 今天首先介绍一下使用imageai的准备工作，安装以及简单的实现image predicti...
Paper | Multi-scale Dense Networks for Resource Efficient Image Classification
LVXIAO2897的博客
09-23 408
目录 故事背景 方法 两种加速策略 网络设计 网络优化 失败设计 回头品味 实验 数据集和数据处理 结果 复现代码 数据准备...
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
【CVPR2019】论文完整列表一
TomRen
06-11 1万+
CVPR 2019 Paper list[1-1000] CVPR2019 完整列表二 论文题目与链接 Finding Task-Relevant Features for Few-Shot Learning by Category Traversal Edge-Labeling Graph Neural Network for Few-Shot Learning G...
（九：2020.08.27）CVPR 2019 追踪之论文纲要（译）
Jojo论文基地
08-28 9137
CVPR 2019 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这900篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录 论文 概要
对抗样本方向（Adversarial Examples）2018-2020年最新论文调研
huitailangyz的博客
06-15 1万+
调研范围 2018NIPS、2019NIPS、2018ECCV、2019ICCV、2019CVPR、2020CVPR、2019ICML、2019ICLR、2020ICLR 2018NIPS Contamination Attacks and Mitigation in Multi-Party Machine Learning（防御） 作者：Jamie Hayes(Univeristy College London) Olga Ohrimenko(Microsoft Research) 摘要：Machine
【论文阅读笔记】NeurIPS2020文章列表Part1
热门推荐
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
论文笔记：Multi-Scale Dense Networks for Resource Efficient Image Classification
想变有趣的EMMA
02-25 1816
Multi-Scale Dense Networks for Resource Efficient Image Classification [ICLR2018 oral] 原文链接：传送门 目录 Multi-Scale Dense Networks for Resource Efficient Image Classification 目录 问题 解决方法 个人理解 主要贡献 ...
【论文笔记】MSDNet MULTI-SCALE DENSE NETWORKS FOR RESOURCE EFFICIENT IMAGE CLASSIFICATION
灰太狼Polaris的专栏
03-20 4161
MSDNet 这篇文章是2017ICML上的一篇文章，觉得挺有意思，就阅读了文章，并整理成笔记。我尽量用简单的语言，尽可能的把我对文章的理解写出来，有什么不对的地方，请大家多多指正。 摘要 这篇主要是对计算资源限制的条件下，对于图像分类模型的优化和求解。毕竟，计算资源并不是免费的。为了能够达到在不同的设备上，不同的限制的资源条件下就行图像分类，论文设置了两个实验条件限制。 1、Anyt...
【论文阅读笔记】MULTI-SCALE DENSE NETWORKS FOR RESOURCE EFFICIENT IMAGE CLASSIFICATION
寸先生的AI道路
12-07 2150
本文由香奈儿大学的几位教授撰写，获得ICLR2018最佳论文。文章基于CNN，提出一种图像分类方法：在现实中对图像分类难度不一，采用一个固定的框架对图片进行分类时有时不够灵活，比如使用复杂网络对简单图片分类比较浪费资源，而使用简单网络对复杂图片进行分类效果又不够好，为了解决网络灵活度和节省计算资源，文章提出了MSDNet。
论文阅读《Multi-Scale Dense Convolutional Networks for Efficient Prediction 》
bojackhosreman的博客
12-21 1459
paper：https://arxiv.org/abs/1703.09844 code：https://github.com/gaohuang/MSDNet参考： http://blog.youkuaiyun.com/u014380165/article/details/78006893
【数据集】Cityscapes数据集的介绍与使用方法
最新发布
m0_51579041的博客
03-02 1万+
【数据集】Cityscapes数据集的介绍与使用方法，可以用于语义分割，实例分割
python爬虫下载cityscapes数据集
P_Leung的技术博客
06-24 1999
目录cityscapes数据集下载地址解决的问题爬虫脚本数据集下载获取url获取Cookie里的PHPSESSID cityscapes数据集下载地址 https://www.cityscapes-dataset.com/downloads/ 解决的问题 cityscapes不支持迅雷下载，在下载的时候做了请求头验证，该脚本方便linux环境下用户使用。 爬虫脚本 该脚本基于该博客的代码进行改进，添加进度条方便观察进度。 import requests import contextlib import
神经网络架构搜索（NAS）综述
一一
06-18 2万+
在阅读近期的CVPR2019时，看到一篇比较亮眼的图像分割论文。来自斯坦福Li Fei-Fei组（Auto-deeplab），关于利用NAS策略进行图像分割，达到了较优的水平，仅仅比deeplabv3+少1.3%，且只用了3张P100 GPU。收集一些关于NAS的资料，做一个神经网络架构搜索综述，在借鉴部分给出相应的链接以及引用，侵删。 神经网络结构搜索（Neural Architecture...
密集预测/Dense Prediction
RealCoder的博客
01-23 4352
Pixelwise dense prediction is the task of predicting a label for each pixel in the image 来自于卷积神经网络在图像语义分割（semantic image segmentation）的应用。图像分割需要判定一张图片中特定区域的所属类别。 这个图像里有什么？它在图像中哪个位置？ 更具体地说，图像语义分割的目标是将图像的每个像素所属类别进行标注。因为是预测图像中的每个像素，这个任务通常被称为密集预测（dense pre.
Searching for tRNAs with HMM-enabled Infernal，是什么意思
06-10
"Searching for tRNAs with HMM-enabled Infernal" 的意思是使用 Infernal 软件工具进行 tRNA 的搜索，并且使用了 HMM（隐马尔可夫模型）来提高搜索的准确性和灵敏度。Infernal 是一种用于 RNA 序列分析的软件工具，它可以使用 HMM 来进行 RNA 结构和序列的建模和匹配。在 tRNA 的搜索中，使用 HMM-enabled Infernal 可以提高 tRNA 的识别率，并且能够识别具有变异和修饰的 tRNA。因此，这是一种比传统的 tRNA 搜索方法更为先进和准确的方法。
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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