paddleseg学习笔记

前言

准备paddleseg做车道线检测，学习一下。

paddleseg主流模型

U-NET ：

• 轻量级模型
• 参数少
• 计算快

DeepLabv3+：

• 支持多种Backboon特征提取

ICNet：

• 实时语义分割
• 适用高兴能预测场景
• 轻量级

移动端主干网络：MobileNetv2 0.25x/0.5x/1.0x/1.5x/2.0x

• 2.0性能最好，精度最高

服务端主干网络：Xception41/Xception65/Xception71

• 网络稍大，但是精度高

分割

分割的定义

图像分割通过给出每一个像素点的标签，及那个图像分割成若干个带标签的区块。它是由图像处理到图像分析的关键步骤。

常见公开数据集

CityScapes，城市街景分割数据集：

Pascal VOC：

COCO:

评价指标

• 准确率
• 召回率
• IOU
• Kappa系数：
  该系数用于一致性校验，也可以用于衡量分割的精度。Kappa系数的计算是基于混淆矩阵，例：
  

分割网络设计

分割网络的特点：

因为分割的输出要和图像的输入大小一致，所以卷积操作对图片下采样后需要重新进行上采样恢复图片大小，也就是decoder和encoder两个过程。

分割网络要解决的问题

人像分割

特点

数据扩充方法

车道线分割

特点

网络选择

MobileNetv2 - DeepLabv3+

• 模式相对简单
• 速度快，显存占用少
• 10ms以内？？？亲测没这么快呀

中心线提取

• Ran sec算法
• 骨架提取算法