using FCN on dataset1 experiments notes.md

• 实验结果及笔记记录
• 实验 1
  • 介绍
  • 损失和精度
  • IoU 度量标准
  • 实验效果
• 实验2
  • 介绍
  • 损失和精度
  • IoU 度量标准
  • 实验效果

实验结果及笔记记录

实验 1

介绍

实验运行脚本: FCN-dataset1-keras.py
说明:最初的实验版本,使用 FCN8,训练 dataset1,图像大小 resize 为 224*224,类别有 12 类,优化器使用 sgd,损失函数使用 categorical_crossentropy,测量方式使用 accuracy

损失和精度

训练损失函数和验证损失函数

训练精度和验证精度

IoU 度量标准

. 平均 IoU 为 0.506,原作者为 0.438,但是需要指出的是,该结果是通过对训练集划分 0.15 的比例为验证集,然后在 56 张图片的验证集上得到的 0.506 的 mIoU,并不是直接在测试集上得到的 mIoU

class 00: #TP=405776, #FP= 33413, #FN=14064, IoU=0.895
class 01: #TP=698022, #FP= 81974, #FN=28294, IoU=0.864
class 02: #TP= 4, #FP= 43, #FN=29957, IoU=0.000
class 03: #TP=837840, #FP= 25016, #FN=29624, IoU=0.939
class 04: #TP=114181, #FP= 27535, #FN=29290, IoU=0.668
class 05: #TP=230089, #FP= 49782, #FN=26970, IoU=0.750
class 06: #TP= 5146, #FP= 2793, #FN=24797, IoU=0.157
class 07: #TP= 18735, #FP= 9084, #FN=13468, IoU=0.454
class 08: #TP=155033, #FP= 29668, #FN=21166, IoU=0.753
class 09: #TP= 746, #FP= 997, #FN=19282, IoU=0.035
class 10: #TP= 162, #FP= 203, #FN=11444, IoU=0.014
class 11: #TP= 62835, #FP= 20779, #FN=32931, IoU=0.539
_____
Mean IoU: 0.506

下方为在 101 张测试集上得到的 mIoU 数据,平均 mIoU 为 0.317,与验证集有较大的差距

class 00: #TP=739172, #FP= 38429, #FN=31249, IoU=0.914 class 01: #TP=1770662, #FP=126336, #FN=585376, IoU=0.713
class 02: #TP= 21, #FP= 442, #FN=32312, IoU=0.001
class 03: #TP=649511, #FP=374831, #FN=36582, IoU=0.612
class 04: #TP=134582, #FP=190450, #FN=172959, IoU=0.270
class 05: #TP=285900, #FP= 69239, #FN=19126, IoU=0.764
class 06: #TP= 15363, #FP= 12445, #FN=69905, IoU=0.157
class 07: #TP= 10486, #FP= 17455, #FN=29703, IoU=0.182
class 08: #TP= 43750, #FP=344540, #FN=20945, IoU=0.107
class 09: #TP= 918, #FP= 3643, #FN=58233, IoU=0.015
class 10: #TP= 965, #FP= 1010, #FN=271612, IoU=0.004
class 11: #TP= 19293, #FP=218333, #FN=69151, IoU=0.063
_____
Mean IoU: 0.317

实验效果

此为验证集的实验效果,看起来还不错

扩展到测试集后,效果就不怎么好了

# 实验2 ## 介绍 实验运行脚本: FCN-dataset1-generator.py 说明:和实验1类似,但是使用批量读取数据的方法使用FCN8,训练dataset1,图像使用随机裁剪到大小为224*224,类别有12类,优化器使用sgd,损失函数使用categorical_crossentropy,测量方式使用accuracy

损失和精度

从图中也可以看出损失降低到了 0.5 以下,而且训练损失和验证损失区别不大

训练损失函数和验证损失函数

训练精度和验证精度几乎一致

训练精度和验证精度

IoU 度量标准

实验效果

<center>