/LaneSeg

车道线检测项目（Test）

Primary LanguagePython

"# LaneSeg" 本项目训练数据出自无人车车道线检测挑战赛,主要训练框架为pytorch。训练模型尝试选用了unet，deeplabv3+等。

总体描述

本项目是第一次动手训练，代码参考了模型论文原文及各路大神的实现，在摸索中感受深度学习训练的流程及注意点。

代码结构

|Projects - |data_list - train.csv  训练集数据路径
                       - val.csv  验证集数据路径
                   
            |models 模型代码存放
                    
            |utils  - data_feeder.py  数据读取、生成
                    - image_process.py  数据预处理
                    - make_lists.py   生成数据列表
                    - process_labels.py  label的编解码
            
            |train.py   训练脚本
            
            |predict.py  预测图片并标记
            
            |config.py   训练配置参数

学习笔记

deeplabv3+ 将encoder-decoder和ASPP相结合。encoder-decoder获取更多边界信息，ASPP获取更多特征信息。

encoder backbone：论文中是resnet101 或者 xception xception:大量使用Sep Conv（深度可分离卷积）替换max pooling 论文中提到，通过实验，1*1 Conv后不加relu，收敛速度和效果优于“加relu”，我猜测，浅层feature进行relu会导致损失信息 aspp:多尺度带洞卷积结构

1、1*1 Conv
2、3*3 Conv，rate 6
3、3*3 Conv，rate 12
4、3*3 Conv，rate 18
5、Image Pooling
将多个卷积concat拼接，然后1*1 Conv，bn，relu，上采样4倍，output_stride由16变为4

decoder

从encoder中，取对应相同分辨率（output_stride=4）的feature，然后1*1 Conv降通道，之后与encoder结果进行concat，然后3*3 Conv微调特征，最后直接上采样4倍得到分割结果