q36101

我遇到一些問題想請問一下，車道線論文上tusimple有都有94-96%的f1-score，而我自己用訓練scnn-tensorflow網路測試test(2782)只有81%，用val(358)測試有94.2。 我測試f1-score時是使用像素級的計算，用兩張png計算f1-score，而非tusimple的benchmark(因為我不知道如何將生成的特徵圖png轉成json)。 請問您是如何計算f1-score，是用json評估或是png評估?計算時是用test(2782)，還是val(358)?

我知道了，謝謝。

為甚麼val和test都支持，兩個dataset不是不一樣嗎?

我指的多类别是llamas dataset 的label ，将每一条车道线视为一类(跟tusimple一样)，而不考虑实线和虚线。 但是如果有区分实线和虚线的方法我也想知道。 Zhengyang Feng ***@***.***> 於 2023年6月2日 週五 下午5:04寫道： > @q36101 你说的多类别指的是区分实线虚线吗？ > > — > Reply to this email directly, view it on GitHub > ,...

也就是说instance的结果主要是用在后处理，使车道结果可视化，而分割評估结果只考虑 semantic segmentation? Zhengyang Feng ***@***.***> 於 2023年6月2日 週五 下午6:00寫道： > 我指的多类别是llamas dataset 的label ，将每一条车道线视为一类(跟tusimple一样)，而不考虑实线和虚线。 > 但是如果有区分实线和虚线的方法我也想知道。 > > Zhengyang Feng *@*.***> 於 2023年6月2日 週五 下午5:04寫道： > > @q36101 https://github.com/q36101...

意思是說以多類別(多條車道線與背景)分割，而不是二值化(車道線與背景)分割，評估f1-score嗎? Zhengyang Feng ***@***.***> 於 2023年6月2日 週五 下午6:37寫道： > @q36101 > 好像我理解错你的定义了。所有的评测都是instance为单位的，计算预测线（转化为点集合）和GT线（转化为点集合）之间的某种几何距离判定正确性。或者以点为单位计算acc（tusimple）。 > > — > Reply to this email directly, view it on GitHub > , > or unsubscribe...

您好，請問一般我們評估tusimple、culane和llamas dataset時，如何將車道標記的預測圖像轉換為車道標記所在的車道坐標列表，並將其保存為 JSON 文件?是網路生成的嗎，抑或是不同dataset有不同的生成方式。