MIoU

[xiamibudayang]

DeepLabv3+的论文中报告的MIoU大多在80以上，请问这其中的差距是什么原因造成的？怎样才能达到论文中的效果？

[bubbliiiing]

我觉得。。我训练的batch实在比不上原作者

[xiamibudayang]

我觉得。。我训练的batch实在比不上原作者

感谢解答。 我还有个问题，下面这段代码：

 #-------------------------------------------------------#
        #   转化成one_hot的形式
        #   在这里需要+1是因为voc数据集有些标签具有白边部分
        #   我们需要将白边部分进行忽略，+1的目的是方便忽略。
        #-------------------------------------------------------#
        seg_labels  = np.eye(self.num_classes + 1)[png.reshape([-1])]
        seg_labels  = seg_labels.reshape((int(self.input_shape[0]), int(self.input_shape[1]), self.num_classes + 1))

这里的白边部分在计算loss的时候被忽略了，对于我们不关心的类也可以用这种方法标注成白色，然后忽略掉。那么在预测的时候，是否也要根据真实标签将这些不关心类的像素涂成某种颜色？如果不这样做的话，这些类别的预测结果是否会很影响可视化效果？

[bubbliiiing]

预测的时候怎么会知道真实标签呢

[xiamibudayang]

哦哦，我是在验证集中做预测的才有了这种想法。确实，在预测的时候不知道真实标签，citycapes数据集有34类，但是做语义分割的时候只关心19类，我不知道该怎么处理剩下的类，是和你代码中的poscal voc的白边部分一样，不计算他的loss就可以了吗？

[bubbliiiing]

是的，我看过计算citycapes的miou 的源码，是不关注的

[miscedence12]

@bubbliiiing up主，你觉得大概需要训练多少个epoch，xception才能达到论文当中的miou=89.0，还有，请问up，仓库里给出的xception是和原论文当中的网络结构一样吗？

[bubbliiiing]

嗯？ 原论文没有到89啊？什么数据集89？ xception当然一样。