【Computer Vision】复现分割网络(1)—

Tags: ComputerVision

Tags: ComputerVision
编译
数据处理
训练结果
测试结果：g49kN.png
Reference

编译

src/caffe/layers/contrastive_loss_layer.cpp:56:30: error: no matching function for call to ‘max(double, float)’

Dtype dist = std::max(margin - sqrt(dist_sq_.cpu_data()[i]), Dtype(0.0));

Replace line 56 by this one :

Dtype dist = std::max(margin - (float)sqrt(dist_sq_.cpu_data()[i]), Dtype(0.0));

2. .build_release/lib/libcaffe.so: undefined reference to `cv::imread(cv::String const&, int)'

Change Makefile:

LIBRARIES += glog gflags protobuf leveldb snappy

lmdb boost_system hdf5_hl hdf5 m

opencv_core opencv_highgui opencv_imgproc

add :opencv_imgcodecs

数据处理

median frequency balancing的计算

图片分割经常会遇到class unbalance的情况，如果你的target是要求每个类别的accuracy 都很高那么在训练的时候做class balancing 很重要，如果你的target要求只要求图片总体的pixel accuracy好，那么class balancing 此时就不是很重要，因为占比小的class, accuray 虽然小，但是对总体的Pixel accuracy影响也较小。

那么看下本文中的meidan frequency balancing是如何计算的：

对于一个多类别图片数据库，每个类别都会有一个class frequency, 该类别像素数目除以数据库总像素数目, 求出所有class frequency 的median 值，除以该类别对应的frequency 得到weight：

\[weight_i = median(weights)/weight_i
\]

这样可以保证占比小的class, 权重大于1，占比大的class，权重小于1，达到balancing的效果.

如对我自己的数据有两类分别为0,1，一共55张500500训练图片，统计55张图片中0,1像素的个数：

count1 227611

count0 13522389

freq1 = 227611/(50050055) = 0.0166

freq0 = 13522389/(500500*55) = 0.9834

median = 0.5

weight1 = 30.12

weight0 = 0.508

webdemo权重

作者训练的webdemo和他给出的模型文件的类别数目和label 是对不上号的，因此可以使用webdemo跑测试，但是最好不要在上面finetune, 直接在VGG-16上面finetune 就行
rgb label 转换为 gray label

一些数据集给出的label是rgb的，如下图，但是训练过程中输入网络的label一般是0 - class_num-1标记的label map, 因此需要一个转换过程，下面给出一个python2转换脚本：

#!/usr/bin/env python

import os

import numpy as np

from itertools import izip

from argparse import ArgumentParser

from collections import OrderedDict

from skimage.io import ImageCollection, imsave

from skimage.transform import resize

camvid_colors = OrderedDict([

    ("Animal", np.array([64, 128, 64], dtype=np.uint8)),

    ("Archway", np.array([192, 0, 128], dtype=np.uint8)),

    ("Bicyclist", np.array([0, 128, 192], dtype=np.uint8)),

    ("Bridge", np.array([0, 128, 64], dtype=np.uint8)),

    ("Building", np.array([128, 0, 0], dtype=np.uint8)),

    ("Car", np.array([64, 0, 128], dtype=np.uint8)),

    ("CartLuggagePram", np.array([64, 0, 192], dtype=np.uint8)),

    ("Child", np.array([192, 128, 64], dtype=np.uint8)),

    ("Column_Pole", np.array([192, 192, 128], dtype=np.uint8)),

    ("Fence", np.array([64, 64, 128], dtype=np.uint8)),

    ("LaneMkgsDriv", np.array([128, 0, 192], dtype=np.uint8)),

    ("LaneMkgsNonDriv", np.array([192, 0, 64], dtype=np.uint8)),

    ("Misc_Text", np.array([128, 128, 64], dtype=np.uint8)),

    ("MotorcycleScooter", np.array([192, 0, 192], dtype=np.uint8)),

    ("OtherMoving", np.array([128, 64, 64], dtype=np.uint8)),

    ("ParkingBlock", np.array([64, 192, 128], dtype=np.uint8)),

    ("Pedestrian", np.array([64, 64, 0], dtype=np.uint8)),

    ("Road", np.array([128, 64, 128], dtype=np.uint8)),

    ("RoadShoulder", np.array([128, 128, 192], dtype=np.uint8)),

    ("Sidewalk", np.array([0, 0, 192], dtype=np.uint8)),

    ("SignSymbol", np.array([192, 128, 128], dtype=np.uint8)),

    ("Sky", np.array([128, 128, 128], dtype=np.uint8)),

    ("SUVPickupTruck", np.array([64, 128, 192], dtype=np.uint8)),

    ("TrafficCone", np.array([0, 0, 64], dtype=np.uint8)),

    ("TrafficLight", np.array([0, 64, 64], dtype=np.uint8)),

    ("Train", np.array([192, 64, 128], dtype=np.uint8)),

    ("Tree", np.array([128, 128, 0], dtype=np.uint8)),

    ("Truck_Bus", np.array([192, 128, 192], dtype=np.uint8)),

    ("Tunnel", np.array([64, 0, 64], dtype=np.uint8)),

    ("VegetationMisc", np.array([192, 192, 0], dtype=np.uint8)),

    ("Wall", np.array([64, 192, 0], dtype=np.uint8)),

    ("Void", np.array([0, 0, 0], dtype=np.uint8))

])

def convert_label_to_grayscale(im):

    out = (np.ones(im.shape[:2]) * 255).astype(np.uint8)

    for gray_val, (label, rgb) in enumerate(camvid_colors.items()):

        match_pxls = np.where((im == np.asarray(rgb)).sum(-1) == 3)

        out[match_pxls] = gray_val

    assert (out != 255).all(), "rounding errors or missing classes in camvid_colors"

    return out.astype(np.uint8)

def make_parser():

    parser = ArgumentParser()

    parser.add_argument(

        'label_dir',

        help="Directory containing all RGB camvid label images as PNGs"

    )

    parser.add_argument(

        'out_dir',

        help="""Directory to save grayscale label images.

        Output images have same basename as inputs so be careful not to

        overwrite original RGB labels""")

    return parser

if __name__ == '__main__':

    parser = make_parser()

    args = parser.parse_args()

    labs = ImageCollection(os.path.join(args.label_dir, "*"))

    os.makedirs(args.out_dir)

    for i, (inpath, im) in enumerate(izip(labs.files, labs)):

        print(i + 1, "of", len(labs))

        # resize to caffe-segnet input size and preserve label values

        resized_im = (resize(im, (360, 480), order=0) * 255).astype(np.uint8)

        out = convert_label_to_grayscale(resized_im)

        outpath = os.path.join(args.out_dir, os.path.basename(inpath))

        imsave(outpath, out)