原图以及粗拙的┞锋实数据

结不雅

我们的结不雅异常令人知足，固然还有些美中不足：我们在测试集上取得 IoU 是 84.6，而今朝最佳的成就则是 85。这个数据（IoU）也是棘手的，因为它在不合的数据集和类别中会产生波动。有些类别本身就更轻易进行瓜分，例如房子、门路等，很多模型都能很轻易取得 90 的 IoU。另一些加倍具有挑衅性的类别有树和人，在这些类其余瓜分上大年夜多半模型只能达到 60 的 IoU。为了衡量这一艰苦，我们赞助收集专注于单一的类别和有限类型的┞氛片。

尽管我们仍然认为今朝的结不雅尚不足以达到 “可以投入应用（Production ready）” 的标准请求，然则如今是一个暂停下来好好评论辩论结不雅的好机会，因为大年夜约有 50% 的┞氛片都给出了不错的结不雅。

以下是一些比较好的例子。

大年夜左到右分别是：图像，真实数据，输出结不雅（来自测试集）

调试与记录

练习神经收集的很重要一部分工作就是进行调试。开端一个神经收集的练习异常轻易，只要获取数据输入收集，然后就开端进行练习，最终再看看输出结不雅若何。然则我们发明，跟踪收集练习的每一步都是异常重要的，所以我们为本身制造了响应的对象，以便于能在每个步调中检查结不雅。

以下是一些常见的挑衅，以及我们所采取的办法：

1. 早期问题——该模许可能无法练习。这可能是因为一些固有的问题，或者因为某种预处理缺点，例如忘记归一化数据块导致的。无论若何，将结不雅可视化出来将异常有赞助。这有一个与该主题有关的贴子。

2. 机械进修的版本控制——平日一个模型都邑具有很多参数，有些参数比较难以跟踪。我必须解释我们还没找到完美的办法解决这个问题，除了比较频繁地写出设备信息（并应用 keras 回调主动保存最佳模型，拜见下文）。

3. 调试收集——在肯定没有重大年夜问题之后，收集将以预定义的损掉开端练习。在语义瓜分范畴重要的衡量指标是 IoU——交叠率（Intersect over union）。我们花了一段时光才开端采取 IoU 作为模型练习的重要指标（而不是交叉熵）。另一个有效的做法是在每一个时代（Epoch）展示一些模型的猜测结不雅。这个帖子很好地介绍了若何调试机械进修模型。别的请留意 IoU 在 keras 中并不是标准的损掉函数，然则可以很轻易在网上找到现成的，比如这个。我们也应用这个 Gist 来绘制每个时代的损掉和猜测结不雅。

    6/8   首页 上一页 4 5 6 7 8 下一页 尾页
   
   

   　　推荐阅读

   　　2018年Python值得关注的开源库、工具和开发者

   【限时免费】岁尾最强一次云计算大年夜会，看传统、社区、互联网企业若何碰撞？ 1、开源库Web 范畴：Sanichttps://github.com/channelcat/sanic这个库的名字和之前一个很火的梗有关，有人在>>>详细阅读

   
   

   本文标题：详解如何用深度学习消除背景，实现抠图

   地址：http://www.17bianji.com/lsqh/40214.html

    1/2    1