一.预处理数据部分 1.创建 tfrecord(修改 deeplab\ dateasets\ build_data.py) 模型本身是把一张张 jpg 和 png 格式图片读到一个 Example 里,写入 tfrecord.但我是一个大的 tif 文件,需要把几万像素的图片分割成小块写入到一个 tfrecord 文件里,而 tf 没有对 tif 格式的图片的解码,因此不能直接使用原来的 build_data.py. 先用 osgeo 里的 gdal 读取 tif 文件,得到大 tif 的 np

这一段时间一直在做深度学习方面的研究,目前市场上的深度学习工具主要分为两大块.一块是基于Python语言的theano:另一块是可以在多个语言上使用并能够在GPU和CPU之间随意切换的Caffe.但是不幸的是,theano对硬件和Python都有着较高的要修.Theano的运行需要基于NVIDIA的显卡,因为Theano的运行需要使用CUDA编程,而CUDA编程是基于NVIDIA显卡的.这为硬件上不满足的deep learning学习者带来了不少麻烦.除此之外,Theano的运行还需要Pytho

最近看了几篇文章,其中均用到了hole algorithm. 最早用的就是deeplab的文章了,Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFS  这篇文章和fcn不同的是,在最后产生score map时,不是进行upsampling,而是采用了hole algorithm,就是在pool4和pool5层,步长由2变成1,必然输出的score map变大了,但是receptive

图像语义分割,简单而言就是给定一张图片,对图片上的每一个像素点分类. 图像语义分割,从FCN把深度学习引入这个任务,一个通用的框架事:前端使用FCN全卷积网络输出粗糙的label map,后端使用CRF条件随机场/MRF马尔科夫随机场等优化前端的输出,最后得到一个精细的分割图. 前端 为什么需要FCN? 分类网络通常会在最后连接几层全连接层,它会将原来二维的矩阵(图片)压缩成一维的,从而丢失了空间信息,最后训练输出一个标量,这就是我们的分类标签. 而图像语义分割的输出需要是个分割图,且不论尺寸大

前提:ubuntu+tensorflow-gpu+python3.6 各种环境提前配好 1.下载工程源码 网址:https://github.com/tensorflow/models 下载时会遇到速度过慢或中间因为网络错误停止,可以换移动网络或者用迅雷下载. 2.测试环境 先添加slim路径,每次打开terminal都要加载路径 # From tensorflow/models/research/ export PYTHONPATH=$PYTHONPATH:`pwd`:`pwd`/slim 运

论文链接:https://arxiv.org/pdf/1606.00915.pdf 摘要 该文主要对基于深度学习的分割任务做了三个贡献,(1)使用空洞卷积来进行上采样来进行密集的预测任务.空洞卷积可以在不增加参数量的基础上增大filter的感受野,从而可以得到更多的语义信息.(2)空洞空间金字塔池化结构(ASPP)从而以多尺寸来分割目标物体.通过不同sample rates的filters及不同大小的感受野,来获得多尺寸下的语义信息.(3)结合DCNN与概率模型提高物体的检测边界.DCNNs+C

加入带洞卷积的resnet结构的构建,以及普通resnet如何通过模块的组合来堆砌深层卷积网络. 第一段代码为deeplab v3+(pytorch版本)中的基本模型改进版resnet的构建过程, 第二段代码为model的全部结构图示,以文字的方式表示,forward过程并未显示其中 import math import torch.nn as nn import torch.utils.model_zoo as model_zoo from modeling.sync_batchnorm.ba

Deeplab v3+ 结构的精髓: 1.继续使用ASPP结构, SPP 利用对多种比例(rates)和多种有效感受野的不同分辨率特征处理,来挖掘多尺度的上下文内容信息. 解编码结构逐步重构空间信息来更好的捕捉物体边界. 2.添加新的解码模块,重构边界信息 3.尝试使用改进的xception模块(深度可分离卷积结构depthwise separable convolution)来作为网络的骨干,减少参数量. 结构的简单对比: 与之前相比,加入了新的解码模块,逐步精确地重构物体的边界. 其中采用的

原文地址:DeepLab 使用 Cityscapes 数据集训练模型 0x00 操作环境 OS: Ubuntu 16.04 LTS CPU: Intel® Core™ i7-4790K GPU: GeForce GTX 1080/PCIe/SSE2 Nvidia Driver Version: 384.130 RAM: 32 GB Anaconda: 4.6.11 CUDA: 9.0 cuDNN: 7.3.1 python: 3.6.8 tensorflow-gpu: 1.13.1 本文操作路径

1. 下载deeplab 2. 安装matio sudo apt-get install libmatio-dev 3. 修改Makefile文件 LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_serial_hl hdf5_serial opencv_core opencv_highgui opencv_imgproc opencv_imgcodecs opencv_videoio 4. 编译 mak

1.解决deeplab编译问题 http://m.2cto.com/kf/201612/579545.html

添加了解码模块来重构精确的图像物体边界.对比如图 deeplab v3+采用了与deeplab v3类似的多尺度带洞卷积结构ASPP,然后通过上采样,以及与不同卷积层相拼接,最终经过卷积以及上采样得到结果. deeplab v3: 基于提出的编码-解码结构,可以任意通过控制 atrous convolution 来输出编码特征的分辨率,来平衡精度和运行时间(已有编码-解码结构不具有该能力.). 可以用来挖掘不同尺度的上下文信息 PSPNet 对不同尺度的网络进行池化处理,处理多尺度的上下文内容信

一.说明 本文为系列博客第二篇,主要讲述笔者在使用该团队提供已经标注好的COCO数据集进行训练的过程. 由于在windows中编译Caffe和Deeplab特别的麻烦,笔者并没有去探索,后续可能会去尝试.所以整个过程都可以在linux系统中运行的,但为了标注方便,笔者采用服务器(linux)完成训练过程+windows完成标注过程的方式,并且此方式也十分有利于协同标注. 二.准备工作 安装软件:Matlab 建议到Matlab官网进行下载,安装过程应该不会有什么问题,笔者使用的版本为R2017,

安装教程:https://github.com/tensorflow/models/blob/master/research/deeplab/g3doc/installation.md cityscapes训练:https://github.com/tensorflow/models/blob/master/research/deeplab/g3doc/cityscapes.md 遇到的坑: 1. 环境: - tensorflow1.8+CUDA9.0+cudnn7.0+annaconda3+p

一.说明 本文为系列博客第三篇,主要展示COCO-Stuff 10K标注工具的使用过程及效果. 本文叙述的步骤默认在完成系列文章[二]的一些下载数据集.生成超像素处理文件的步骤,如果过程中有提示缺少那些文件的,请参照上一篇文章. 占坑.因笔者做实验的服务器出了些许问题,暂时不能进行系统性的截图,先放一些占坑,后续补齐. 二.配置任务 -可以直接在Matlab打开项目目录后,输入startup()进入环境,再输入CocoStuffAnnotator()即可打开标注工具界面. 三.标注整理 -标注好

一.CocoStuff简介 CocoStuff是一款为deeplab设计的,运行在Matlab中的语义标定工具,其标定结果和结合Deeplab训练出的结果均为mat文件格式,该项目源码已在github上进行开源. 二.说明 本文为系列博客第一篇,主要对项目readme进行简单的翻译,主要是为了自己在学习踩坑过程中方便查阅说明,如果能帮到大家便是极好的. *注:未完,部分只是先扔上来,将来会继续完善. 笔者在探索之前并未在网上搜索到关于CocoStuff的相关中文博客,所以这可能是第一篇,有那里不

简介 语义分割:给图像的每个像素点标注类别.通常认为这个类别与邻近像素类别有关,同时也和这个像素点归属的整体类别有关.利用图像分类的网络结构,可以利用不同层次的特征向量来满足判定需求.现有算法的主要区别是如何提高这些向量的分辨率,以及如何组合这些向量. 几种结构 全卷积网络FCN:上采样提高分割精度,不同特征向量相加.[3] UNET:拼接特征向量:编码-解码结构:采用弹性形变的方式,进行数据增广:用边界加权的损失函数分离接触的细胞.[4] SegNet:记录池化的位置,反池化时恢复.[3] P

花了点时间梳理了一下DeepLab系列的工作,主要关注每篇工作的背景和贡献,理清它们之间的联系,而实验和部分细节并没有过多介绍,请见谅. DeepLabv1 Semantic image segmentation with deep convolutional nets and fully connected CRFs link:https://arxiv.org/pdf/1412.7062v3.pdf 引言 DCNN在像素标记存在两个问题:信号下采用和空间不变性(invariance) 第一个

1.根据https://www.cnblogs.com/zmbreathing/p/deeplab_v3plus.html在终端中成功运行deeplab的test文件后,在pycharm中出现问题: /home/mingzhou/anaconda3/bin/python3 /home/mingzhou/PycharmProjects/deeplab_model_test/deeplab_model_test.pyTraceback (most recent call last): File "/

1.使用pycharm运行deeplab过程中出现ImportError: cannot import name 'monitoring' 2.把root用户及非root用户中pip安装的tensorflow都删了 3.把conda中tensorflow-gpu也删了,准备重新安装 4.conda install tensorflow-gpu 5.下载两个大文件一直下载不成功,更新conda(最后感觉可能是网络问题,可能不更新conda更方便一些) 6.重新下载tensorflow-gpu,发现

TensorFlow DeepLab教程初稿-tensorflow gpu安装教程 商务合作,科技咨询,版权转让:向日葵,135-4855__4328,xiexiaokui#qq.com Summary: DeepLab需要1.10以上版本. 本日志详细记录在两台不同笔记本电脑安装/更新 TensorFlow-GPU的具体过程 这是本人第3次,4次安装tf,这两次是gpu版. 第一次是安装cpu版,第二次是在python2.7 arcpy环境下安装32位 tf,但不能运行.第三次安装成功,但电脑