deeplabv3+ 论文相关参数代码解析 Flip MS SC random crop

本是古典何须时尚 2024-04-20 00:58 112阅读 0赞

**目录**

1.Flip

2. multi\_scale input eval

3.SC 在aspp与deconv采用seperate conv

multi\_scale 的参数传递是：

另外，如果batch size改变的话，

--------------------

# 1.Flip #

input\_preprocess.py

\_PROB\_OF\_FLIP = 0.5

该参数控制flip，如果为1，那么进入的图像一定会被flip

如果为0.5，那么是否被flip，概率是50%

如果为0，那么只有随机数到0.才会被flip，也就是说等于负数肯定是不会被flip的。

random_value = tf.random_uniform([])
      is_flipped = tf.less_equal(random_value, prob)
      outputs = tf.cond(is_flipped, flip, lambda: tensor_list)

这里random\_value \[0,1)

less\_equal是<=

所以如果不想flip必须用负数

# 2. multi\_scale input eval #

多尺度输入是eval模块的一个能够大幅度提升准确率的操作。

该参数的控制在eval.py里面，可以通过参数传递控制，该参数是57行：

# Change to [0.5, 0.75, 1.0, 1.25, 1.5, 1.75] for multi-scale test.
    flags.DEFINE_multi_float('eval_scales', [1.0],
                             'The scales to resize images for evaluation.')

可以通过运行eval.py文件传递参数控制：

python "${WORK_DIR}"/eval.py \
      --logtostderr \
      --eval_split="val" \
      --model_variant="xception_65" \
      --atrous_rates=6 \
      --atrous_rates=12 \
      --atrous_rates=18 \
      --output_stride=16 \
      --decoder_output_stride=4 \
      --eval_crop_size="513,513" \
      --checkpoint_dir="${TRAIN_LOGDIR}" \
      --eval_logdir="${EVAL_LOGDIR}" \
      --dataset_dir="${PASCAL_DATASET}" \
      --max_number_of_evaluations=1 \
      --eval_scales=[0.5,0.25,1.75]

官方网站[https://github.com/tensorflow/models/blob/master/research/deeplab/g3doc/model\_zoo.md][https_github.com_tensorflow_models_blob_master_research_deeplab_g3doc_model_zoo.md]得到了三个官方参数：

--eval_scales=[0.5:0.25:1.75]

当然你可以选择：

[0.5, 0.75, 1.0, 1.25, 1.5, 1.75]

# 3.SC 在aspp与deconv采用seperate conv #

该参数由model\_options在model.py里面决定

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMyNDk4NTM_size_16_color_FFFFFF_t_70][]

model\_common的实例化是在train.py里面：

model_options = common.ModelOptions(
          outputs_to_num_classes=outputs_to_num_classes,
          crop_size=[int(sz) for sz in FLAGS.train_crop_size],
          atrous_rates=FLAGS.atrous_rates,
          output_stride=FLAGS.output_stride)

在common里面他默认是true：

flags.DEFINE_boolean('decoder_use_separable_conv', True,
                         'Employ separable convolution for decoder or not.')

所以如果你要改，那么你就要生成时传递false。

# multi\_scale 的参数传递是： #

--eval_scales=0.5 
    --eval_scales=0.75 
    --eval_scales=1.0 
    --eval_scales=1.25 
    --eval_scales=1.5 
    --eval_scales=1.75

根据[https://github.com/tensorflow/models/issues/4313][https_github.com_tensorflow_models_issues_4313]

# 另外，如果batch size改变的话，  #

--learning_rate_decay_step=4000也许应该相应的修改，因为，如果batch size 减小，那么同样的step，epoch就会减小，所以为了保持相应的epoch，需要增加step的数量，那么就会导致，衰减过快，最后learning rate很低，从而不起作用。

[https_github.com_tensorflow_models_blob_master_research_deeplab_g3doc_model_zoo.md]: https://github.com/tensorflow/models/blob/master/research/deeplab/g3doc/model_zoo.md
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMyNDk4NTM_size_16_color_FFFFFF_t_70]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/c88e4941ddbd411aa5595dd395ebe35f.png
[https_github.com_tensorflow_models_issues_4313]: https://github.com/tensorflow/models/issues/4313