图像分割之U-net模型训练VOC2007数据集(1)

1.Pascal VOC 2007数据集

作为标准数据集,Pascal VOC 2007 是衡量图像分类识别能力的基准。它包括训练集(5011幅),测试集(4952幅),共计9963幅图,共包含20个种类。

数据集的组成架构如下:

Annotations(目标真值区域)

存放的是xml格式的标签文件,每一个xml文件都对应于JPEGImages文件夹中的一张图片。

ImageSets(类别标签)

存放的是每一种类型的challenge对应的图像数据。

Action下存放的是人的动作(例如running、jumping);

Layout下存放的是具有人体部位的数据(人的head、hand、feet等等,这也是VOC challenge的一部分);

Segmentation下存放的是可用于分割的数据

Main下存放的是图像物体识别的数据,总共分为20类。

在分类识别中,只关注【Main】,它内部存储20个分类类别标签,-1表示负样本,+1为正样本

*_train.txt 训练样本集,存放的是训练使用的数据,每一个class的train数据都有5717个。

*_val.txt 评估样本集,存放的是验证结果使用的数据,每一个class的val数据都有5823个。

*_trainval.txt 训练与评估样本合并汇总,每一个class有11540个。

需要保证的是train和val两者没有交集,即训练数据和验证数据不能有重复,应选取随机产生的的训练数据。

JPEGImages(图像)

存放原始图像,这些图像都是以“年份_编号.jpg”格式命名。

图片的像素尺寸大小不一,一般为(横向图)500*375 或(纵向图) 375*500;基本不会偏差超过100。

这些图像就是用来进行训练和测试验证的图像数据。

SegmentationClass

SegmentationObjec



2.U-net架构

论文下载:U-Net: Convolutional Networks for Biomedical Image Segmentation


U-net网络


U-net架构可使用更少的训练图片的同时,且分割的准确度也较好

每个蓝色框对应一个多通道特征图,通道数显示在框的顶部,x-y大小位于框的左下边缘。白框代表复制的特征图,箭头表示不同的操作。

整体可看作一个编码器-解码器网络,包含:

编码器模块:逐步减少特征映射并捕获更高的语义信息;

解码器模块:逐步恢复空间信息。

Attention:

(1)UNet采用全卷积神经网络。

(2)左边网络为特征提取网络:使用conv和pooling

(3)右边网络为特征融合网络:上采样产生的特征图与左侧特征图进行concatenate操作。

     (上采样:让包含高级抽象特征低分辨率图片保留高级抽象特征的同时变为高分辨率

                         再与左边低级表层特征高分辨率图片进行concatenate操作。

(4)最后再经过两次卷积操作,生成特征图,再用两个卷积核大小为1*1的卷积做分类得到最后的两张heatmap,然后作为softmax函数的输入,算出概率比较大的softmax,再进行loss和反向传播计算。



3.PyTorch代码实现及训练模型

PyCharm的运行结果如图


正在训练中的一只喵



测试图片


torch.Size([3, 256, 256])
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 219,589评论 6 508
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 93,615评论 3 396
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 165,933评论 0 356
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,976评论 1 295
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,999评论 6 393
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,775评论 1 307
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,474评论 3 420
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,359评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,854评论 1 317
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 38,007评论 3 338
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 40,146评论 1 351
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,826评论 5 346
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,484评论 3 331
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 32,029评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 33,153评论 1 272
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,420评论 3 373
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 45,107评论 2 356

推荐阅读更多精彩内容