jaybo

#### 《ACNet:Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric ConvolutionBlocks》 - ICCV2019: 通过非对称卷积块增强CNN的核骨架 - axriv地址为：https://arxiv.org/abs/1908.03930v1 解读： - [3\*3卷积+1\*3卷积+3\*1卷积=白给的精度提升_喜欢打酱油的老鸟-CSDN博客]() 代码： -

一、参考：[opencv+python判断两张图片是否相同](https://blog.csdn.net/qq_34696203/article/details/80062950) 第一种写法： ``` python 一、 import numpy as np import cv2 global n zong=0 n = 0 img1 = cv2.imread('1.png', cv2.IMREAD_GRAYSCALE) img2 = cv2.imread('22.png', cv2.IMREAD_GRAYSCALE) height, width = img1.shape for...

# numpy **切片和索引：** ``` python import numpy as np a = np.arange(12).reshape([3, 4]) print(a) print(a[::2, 1]) print(a[::2, 1:]) print(a[0::2, 1:]) ``` 结果： ``` [[ 0 1 2 3] [ 4...

# numpy 一些常用方法和常见问题 ## numpy.bincount详解 参考：https://blog.csdn.net/xlinsist/article/details/51346523 它大致说bin的数量比x中的最大值大1，每个bin给出了它的索引值在x中出现的次数。下面，我举个例子让大家更好的理解一下： ``` python # 我们可以看到x中最大的数为7，因此bin的数量为8，那么它的索引值为0->7 x = np.array([0, 1, 1, 3, 2, 1, 7]) # 索引0出现了1次，索引1出现了3次......索引5出现了0次...... np.bincount(x) #因此，输出结果为：array([1, 3, 1, 1, 0, 0, 0,...

## FCN

## U-Net ``` python ## https://github.com/HLearning/unet_keras/blob/master/unet.py def vgg10_unet(input_shape=(256,256,3), weights='imagenet'): vgg16_model = VGG16(input_shape=input_shape, weights=weights, include_top=False) block4_pool = vgg16_model.get_layer('block4_pool').output block5_conv1 = Conv2D(1024, 3, activation='relu', padding='same', kernel_initializer='he_normal')(block4_pool) block5_conv2 = Conv2D(1024, 3, activation='relu', padding='same',...

## SegNet **直接用的 UpSampling2D** ``` python def SegNet(): model = Sequential() #encoder model.add(Conv2D(64, (3, 3), strides=(1, 1), input_shape=(None, None, 4), padding='same', activation='relu')) model.add(BatchNormalization()) model.add(Conv2D(64, (3, 3), strides=(1, 1), padding='same', activation='relu'))...

## PSPNet

1、重叠滑动窗口预测2 参考：https://github.com/whjpython/Unet-Segmentation/blob/master/predict.py ``` python import skimage.io import numpy as np import os from osgeo.gdalconst import * from osgeo import gdal import tqdm import time from unet import Unet import glob...

> 你好，对于你的问题， > > 1. 数据增强该不该用光照这些，主要看测试集分布决定。光照应该能起作用，噪声的话可能作用不大，毕竟测试数据基本也不会存在噪点 > 2. 多尺度训练测试是语义分割和目标检测常用的提分的方法，就是不同的网络输入大小，测试阶段多个尺度结果求平均 > 3. 如果你想在这个数据集上提升性能的话，主要还是要看网络错误的分割结果集中在哪，然后根据问题针对性优化，例如我们当时做的时候，主要是围绕样本不均衡去做的 > 4. resnet和densenet的效果差不多，当时我跟队友其实两个都用了，最后进行模型融合 > 5. 一开始对GT的CRF处理是因为GT有噪声。预测后也采用了CRF进行平滑 > 6. 我的代码里面有滑动步长采样，也就是你说的对少类的过采样。focal loss结果差别其实并不是很大 > 7. 减小滑动的步长，也就是重叠的区域会增大，这样拼接的效果就不太明显 2. “不同的网络的输入大小”是指的使用不同网络进行训练并且每个网络输入的“切割小图”的分辨率大小不一样吗？然后在测试阶段，对不同网络的测试结果进行求平均？ 3. 好的，我多想想。我也在忧虑类别不均衡的问题导致我很难有好的结果 5....