1.Flip

input_preprocess.py

_PROB_OF_FLIP = 0.5

该参数控制flip，如果为1，那么进入的图像一定会被flip

如果为0.5，那么是否被flip，概率是50%

如果为0，那么只有随机数到0.才会被flip，也就是说等于负数肯定是不会被flip的。

  random_value = tf.random_uniform([])is_flipped = tf.less_equal(random_value, prob)outputs = tf.cond(is_flipped, flip, lambda: tensor_list)

这里random_value [0,1)

less_equal是<=

所以如果不想flip必须用负数

2. multi_scale input eval

多尺度输入是eval模块的一个能够大幅度提升准确率的操作。

该参数的控制在eval.py里面，可以通过参数传递控制，该参数是57行：

# Change to [0.5, 0.75, 1.0, 1.25, 1.5, 1.75] for multi-scale test.
flags.DEFINE_multi_float('eval_scales', [1.0],'The scales to resize images for evaluation.')

可以通过运行eval.py文件传递参数控制：

python "${WORK_DIR}"/eval.py \--logtostderr \--eval_split="val" \--model_variant="xception_65" \--atrous_rates=6 \--atrous_rates=12 \--atrous_rates=18 \--output_stride=16 \--decoder_output_stride=4 \--eval_crop_size="513,513" \--checkpoint_dir="${TRAIN_LOGDIR}" \--eval_logdir="${EVAL_LOGDIR}" \--dataset_dir="${PASCAL_DATASET}" \--max_number_of_evaluations=1 \--eval_scales=[0.5,0.25,1.75]

官方网站https://github.com/tensorflow/models/blob/master/research/deeplab/g3doc/model_zoo.md得到了三个官方参数：

--eval_scales=[0.5:0.25:1.75]

当然你可以选择：

[0.5, 0.75, 1.0, 1.25, 1.5, 1.75]

3.SC 在aspp与deconv采用seperate conv

该参数由model_options在model.py里面决定

model_common的实例化是在train.py里面：

  model_options = common.ModelOptions(outputs_to_num_classes=outputs_to_num_classes,crop_size=[int(sz) for sz in FLAGS.train_crop_size],atrous_rates=FLAGS.atrous_rates,output_stride=FLAGS.output_stride)

在common里面他默认是true：

flags.DEFINE_boolean('decoder_use_separable_conv', True,'Employ separable convolution for decoder or not.')

所以如果你要改，那么你就要生成时传递false。

multi_scale 的参数传递是：

--eval_scales=0.5
--eval_scales=0.75
--eval_scales=1.0
--eval_scales=1.25
--eval_scales=1.5
--eval_scales=1.75

根据https://github.com/tensorflow/models/issues/4313

另外，如果batch size改变的话，

--learning_rate_decay_step=4000也许应该相应的修改，因为，如果batch size 减小，那么同样的step，epoch就会减小，所以为了保持相应的epoch，需要增加step的数量，那么就会导致，衰减过快，最后learning rate很低，从而不起作用。

deeplabv3+ 论文相关参数代码解析 Flip MS SC random crop相关推荐

单目标跟踪算法：Siamese RPN论文解读和代码解析
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者:周威 | 来源:知乎 https://zhuanlan.zhihu.com/p/16198364 ...
python常驻运行_Python常驻任务实现接收外界参数代码解析
实现一个简单的常驻任务是容易的,写一个while True就可以了,但是同时要能接收外界传来的参数,就稍微有点复杂. 我第一个想到的是网络编程中的server/client模式 server作为常驻进 ...
Longformer论文解读和代码解析
前言这篇博文记录了longformer论文的主要思想.代码实现和结果复现方面的一些工作,相关链接如下: 原longformer论文地址 github上原作者公开的代码 huggingface上原作者 ...
Inception V3论文解读和代码解析
目录论文解读代码解析小结论文解读在介绍inception V2时提到过,inception V3的论文依据是Rethinking the Inception Architecture for ...
js中top,left,height,width相关参数的解析和实例
下面的这些参数的解析都是针对于IE浏览器的: 得到屏幕中鼠标的坐标,相对于整个页面: x=event.clientX, y=event.clientY 得到当前窗口的宽度: w=document.bo ...
PointNet论文解读和代码解析
目录一.论文动机现有的问题: 作者的思路及面临的问题: 二.论文方法如何解决点云无序性问题?作者提出了三种想法. 针对点云的刚体运动不变性三.网络结构四.代码阅读五.Reference(两 ...
【单目3D目标检测】MonoDLE论文精读与代码解析
文章目录 Preface Abstract Contributions Diagnostic Experiments Pipeline Revisiting Center Detection Trai ...
YOLOv7来临：论文解读附代码解析
前言: 是一份关于YOLOv7的论文解读,首发于[GiantPandaCV]公众号,写的不是很好,望大佬们包涵! 2022年7月,YOLOv7来临, 论文链接:https://arxiv.org/ab ...
GLMP：任务型对话中全局到局部的记忆指针网络论文阅读及代码解析
UPDATE 11.6.2020 复习代码,修正部分内容,清晰化部分表述.如发现问题,欢迎留言讨论! 文章目录 UPDATE GLMP ABSTRACT 1.INTRODUCTION 2.GLMP M ...

deeplabv3+ 论文相关参数代码解析 Flip MS SC random crop

1.Flip

2. multi_scale input eval

3.SC 在aspp与deconv采用seperate conv

multi_scale 的参数传递是：

另外，如果batch size改变的话，

deeplabv3+ 论文相关参数代码解析 Flip MS SC random crop相关推荐

最新文章

热门文章

deeplabv3+ 论文相关参数 代码解析 Flip MS SC random crop

1.Flip

2. multi_scale input eval

3.SC 在aspp与deconv采用seperate conv

multi_scale 的参数传递是：

另外，如果batch size改变的话，

deeplabv3+ 论文相关参数 代码解析 Flip MS SC random crop相关推荐

最新文章

热门文章

deeplabv3+ 论文相关参数代码解析 Flip MS SC random crop

deeplabv3+ 论文相关参数代码解析 Flip MS SC random crop相关推荐