Lin Manhui
Lin Manhui
我看了下代码，好像并没有加哦？请问具体是什么函数呢？
噢噢，这个部分确实是对原作的一个修改（其实更像是适配），因为L-UNet原作是基于多时相数据（超过2幅影像）的，这里使用和P2V-CD一样的方式用双时相数据模拟多时相数据，以构造合法的输入。
目前没有IoU指标，但有OA指标，验证时默认会计算precision、recall、F1-score和OA。
请问你是指P2V-CD方法嘛？P2V-CD是我在学校时候的工作，现在已经毕业了，我这边现在手头也没有当时测的OA数据。
`pred_v`是Video分支的输出，算是一个网络的中间输出，训练的时候可以用来计算辅助损失。P2V默认应该就已经使用到了`pred_v`哦？请问你是否改动了代码呀
其实不一定要用到`CombinedLoss_DS`，`return_aux`为True时模型会有两个输出，对他们分别都和标签计算损失，然后加权求和，就可以啦
> > 其实不一定要用到`CombinedLoss_DS`，`return_aux`为True时模型会有两个输出，对他们分别都和标签计算损失，然后加权求和，就可以啦 > > 哦哦，对哈。多谢提醒。加权的话，是55开吗。您当初训练时，权重是多少。 主要损失1.0，辅助损失0.4
是的，就是使用此仓库（但是在以前一个独立拉出来的实验分支）复现的结果。我记得复现精度应该至少都能和原论文持平。我对部分算法做了适应性改动，具体的改动点在论文中有提到。
1. 在相同的数据集上，即使模型结构没有变动，超参数、数据增强方法等因素也可能对精度造成较大影响，尤其是在不是很大的变化检测数据集上。你说的『高了很多』可能是不是指DSIFN哦？其实这一点我也很疑惑，DSIFN就算不算固定的backbone，参数量也还有那么大，按照深度学习的『常识』来说应该指标不会像论文里那么低……不过也只是我的猜测，作者没有公布训练代码，所以也无从考证。 2. 这个我感觉主要有两个原因吧。首先，长期以来变化检测缺乏『权威』的公开数据集（比如语义分割的Cityscapes，目标检测的COCO），尽管LEVIR-CD等数据集在一定程度上改变了这一状况，但在这些数据集出现以前的一些经典深度学习算法（如FC-EF，现在仍不过时）在论文中也无法汇报可用于直接对比的指标，而其它论文复现的结果差异很大（而且也都是非官方结果），所以对这部分算法我就选择自己复现了。其它的一些论文中有指标的算法，是我在写这个项目的时候为了锻炼自己的工程能力加入的，后来想着复现都复现了，就用呗~ 也没想太多。
你好！感谢你的肯定。对你的问题回复如下： 1. 可能是某张图中不存在变化像素且模型也没有预测出变化像素的情况，这导致根据混淆矩阵计算指标的时候出现除0错误（这种情况下 F1 分数等指标未定义）。对于切分后的 LEVIR-CD 数据集而言，这是预期的行为。 2. 综合你的第4个问题，目前本 repo 的定位主要用于开展benchmark实验，暂时没有提供 infer 的功能。 3. 保存并加载优化器的功能是可选的。只加载模型参数也可以进行断点续训练，但对于某些存在状态的优化器如 Adam，保存并加载优化器参数能够让续训更加稳定。