基于FCN训练-测试自己的数据集

最新推荐文章于 2022-12-14 23:56:24 发布

长大了的暗

最新推荐文章于 2022-12-14 23:56:24 发布

阅读量1.3k

点赞数 2

CC 4.0 BY-SA版权

分类专栏：深度学习

本文链接：https://blog.youkuaiyun.com/qihangran5467/article/details/90233402

本文介绍如何基于FCN-32s网络简化版，针对工业缺陷数据进行训练和测试。通过减少网络层深度，调整卷积核大小，适应256*256的图像输入。样本制作涉及图像和标签转换，使用labelme工具生成标注，并创建train、val列表。训练完成后，使用C++动态库进行测试，注意图像预处理和通道顺序。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

- 前言
- 简化网络
- 样本制作
- 训练
- 测试

前言

都9102年了，语义分割网络层出不穷，不过作为鼻祖，FCN还是有必要了解下，这里就不在记录其原理，直接基于原始FCN-32s精简网络，对工业缺陷数据进行训练和测试。

简化网络

相对于工业缺陷数据，sift-flow，pascal数据算是及其复杂的数据，直接用原始的FCN网络进行训练，先不说效果，效率上就过不去，因此需要对网络进行简化，原始网络有以下特点：

卷积层kernel size均为3，stride为1，pooling层为size2，stride2；
第一个卷积层pad100；
上采样不学习，在python代码中，用双线性插值初始化后直接固定住。

由以上第一点以及公式w' = (w + 2*pad - kernel) / stride + 1可知，卷积层输出特征图是不会缩小的，只在每个pooling层缩小一倍，由于工业数据不用做太深的网络，因此会减少层深度，只保留3个pooling层，最后一层特征图相比与原图缩小8倍，为了在减少层深度的同时不要使感受野减小太多，将第一个卷积kernel size改为11，pad为5；
针对第二点，由于训练的图是256*256，可以缩小8倍，因此并不用pad100;
简化后的网络结构如下：
简化的FCN

在设计上采样时，要注意：

crop层 的参数，也是根据公式计算出来，目的是让裁剪从中间进行裁的。上采样输出图的大小，然后移动到offset进行裁剪的，裁剪是根据输入图像大小；
反卷积层 上采样的参数，根据公式output = (input - 1) * s + k - 2 * p;计算，设置步长和核大小，参照标准设置，核尺寸设64，32等，stride作为公式中乘除比例因子，设8.

layer {
  name: "upscore"
  type: "Deconvolution"
  bottom: "conv5"
  top: "upscore"
  param {
    lr_mult: 0
  }
  convolution_param {
    num_output: 2
    bias_term: false
    kernel_size: 32
    stride: 8
  }
}
layer {
  name: "score"
  type: "Crop"
  bottom: "upscore"
  bottom: "data"
  top: "score"
  crop_param {
    axis: 2   #axis（决定从第2个轴（h,w）开始裁剪）
    offset: 12 #决定裁剪位置的偏移,保证截的图是重心区域
  }
}