pytorch实现FCN全卷积网络的语义分割（Fully Convolutional Networks for Semantic Segmentation论文简单复现）

以下是我的这个Repo里的README(还没有完全写完)，我还会不定期在github里更新的，首先在github更新，再来更新这篇博客

Github地址： https://github.com/bat67/pytorch-FCN-easiest-demo

欢迎star和提issue或者PR~

pytorch FCN easiest demo

这个repo是在读论文Fully Convolutional Networks for Semantic Segmentation时的一个pytorch简单复现，数据集很小，是一些随机背景上的一些包的图片（所有数据集大小一共不到80M），如下图

关于此数据集详细信息，见数据集

根据论文实现了FCN32s、FCN16s、FCN8s和FCNs

部分代码参考了这个repo

使用visdom可视化，运行了20个epoch后的可视化如下图：

如何运行

我的运行环境

• Windows 10
• CUDA 9.2 （可选）
• Anaconda 3
• pytorch = 0.4.1
• torchvision = 0.2.1
• visdom = 0.1.8.5

具体操作

• 打开终端，输入

python -m visdom.server

• 打开另一终端，输入

python train.py

• 若没有问题可以打开浏览器输入http://localhost:8097/来使用visdom可视化

训练细节

数据集

• training data来自这里，ground-truth来自这里。
• 链接中提供的图片中，部分ground-truth的有误，而且部分有ground-truth的图片没有对应training data的图片，将这些有错误的图片分别剔除，重新编号排序之后剩余533张图片。
• 之后我随机选取了67张图片旋转180度，一共在training data和ground-truth分别凑够600张图片（0.jpg ~ 599.jpg）。

可视化

• train prediction：训练时模型的输出
• label：ground-truth
• test prediction：预测时模型的输出（每次训练都会预测，但预测数据不参与训练与backprop）
• train iter loss：训练时每一批（batch）的loss情况
• test iter loss：测试时每一批（batch）的loss情况