【21】FCN网络训练及理解

最新推荐文章于 2024-07-27 17:26:39 发布

原创

最新推荐文章于 2024-07-27 17:26:39 发布 · 2k 阅读

本文介绍了一种基于PyTorch的全卷积网络（FCN）实现图像分割的方法。通过去除传统卷积网络中的全连接层并引入反卷积操作，FCN能够实现端到端的像素级图像分割。文中提供了详细的FCN网络模型代码及训练过程。

准备工作

代码地址：https://github.com/bat67/pytorch-FCN-easiest-demo

论文参考：全卷积网络 FCN 详解

FCN详解与pytorch简单实现（附详细代码解读）

【1】FCN网络简介

FCN网络实现了端到端的图像分割，去除了卷积网络的全连接层，采用反卷积的方式，实现像素级别的分割，并加入skip方式，提升了分割性能。

【2】训练步骤

文件目录展示

【2.1】打开python -m visdom.server

[2.1.1]激活深度学习环境（此处的环境名称为tensorflow，之前创建的）：

activate tensorflow

[2.1.2]激活visdom

python -m visdom.server

[2.1.3]结果展示

【2.2】打开python解释器，运行train.py

【3】训练结果展示

训练第1个epoch

train result

train label

train loss function

train loss

训练第99个epoch

train result

test result

【4】FCN网络模型代码

文件夹介绍

主要.py文件已经在下方展示代码，其中图中位置1为训练的图像，位置2为模型保存的路径

关于网络模型中的FCN32S表示特征图缩小到1/32，随后在变大到32倍。

关于网络模型中的FCN16S表示特征图缩小到1/16，随后在变大到16倍。

关于网络模型中的FCN8S表示特征图缩小到1/8，随后在变大到8倍。

性能：FCN8S>FCN16S>FCN32S

fcn.py

import torch
import torch.nn as nn
from torchvision import models
from torchvision.models.vgg import VGG


class FCN32s(nn.Module):

    def __init__(self, pretrained_net, n_class):
        super().__init__()
        self.n_class = n_class
        self.pretrained_net = pretrained_net
        self.relu    = nn.ReLU(inplace=True)
        self.deconv1 = nn.ConvTranspose2d(512, 512, kernel_size=3, stride=2, padding=1, dilation=1, output_padding=1)
        self.bn1     = nn.BatchNorm2d(512)
        self.deconv2 = nn.ConvTranspose2d(512, 256, kernel_size=3, stride=2, padding=1, dilation=1, output_padding=1)
        self.bn2     = nn.BatchNorm2d(256)
        self.deconv3 = nn.ConvTranspose2d(256, 128, kernel_size=3, stride=2, padding=1, dilation=1, output_padding=1)
        self.bn3     = nn.BatchNorm2d(128)
        self.deconv4 = nn.ConvTranspose2d(128, 64, kernel_size=3, stride=2, padding=1, dilation=1, output_padding=1)
        self.bn4     = nn.BatchNorm2d(64)
        self.deconv5 = nn.ConvTranspose2d(64, 32, kernel_size=3, stride=2, padding=1, dilation=1, output_padding=1)
        self.bn5     = nn.BatchNor