[paddlepaddle][语义分割]7日训练营学习收获

课程心得

• 概述

  前四天的课程很有意思，主要是从model开始，再到dataloader、transform一点点教我们怎么去搭建一个正式的深度学习分割网络并进行训练，同时也会有一些基本的概念的讲解，好处在于让我们对框架有了使用体验的同时能够快速实现想要达成的目标。

  我的前四天的作业GitHub：https://github.com/zuswil/paddle_segment

  第五天开始，分别讲了图卷积和全境分割的一些内容，比较难，老师会带着我们从论文和公式，一步步推导和讲解原理，对于数据、概率论基础不够好的我来说简直天书，不过好处也很明显，值得想学的同学反复观看和细心推敲。（反正现在的我还不懂，慢慢看吧hhhh）

• 收获以及期望

  我觉得主要的收获除了对模型训练流程的再度了解，还有对图像分割概念的理解，unet、fcn系列deeplab系列发展和差异的认识，这些都是比较好的，而且学完之后再去看paddleseg的源码会比较方便，毕竟实现上基本一致。（paddleseg是飞浆的图像分割开发套件）

  如果还有相关课程，我希望是对训练、评估、预测方面能够有更深入的介绍，之前参加过疫情cv特辑，总的来说的确难度降低，感觉泛泛而谈的最后几天虽然有用，但实在太深奥了，可以提一下然后让我们多去看看怎么优化和评估预测吧，后面有点不太符合这个课程的主要面对的对象了（因为一开始说是入门，所以…）。

总的来说课程体验还是很好的，希望有一点基础，但不知道该怎么继续学一下的小伙伴可以来看一下。

课程详细介绍

• 课程链接：https://aistudio.baidu.com/aistudio/course/introduce/1767

• 课程大纲

  • DAY1（10月19日）
    1.图像分割综述
    2.语义分割初探
    3.环境搭建与飞桨动态图实战演示
    4.语义分割的数据格式和处理
  • DAY2（10月20日）
    1.FCN全卷积网络结构详解
    2.飞桨中的上采样操作实践
    3.飞桨实现FCN
  • DAY3（10月21日）
    1.U-Net模型与PSPNet模型详解
    2.飞桨实现UNet/PSPNet
    3.飞桨实现DilatedResnet
    4.分割网络loss和metrics实现
  • DAY4（10月22日）
    1.Dilated Conv 原理和细节
    2.ASPP模块解析
    3.DeepLab系列详解
    4.实现DeepLabV3/ASPP/MultiGrid
    5.分割网络loss和metrics实现
  • DAY5（10月23日）
    1.深入解析GCN（图卷积网络）
    2.Graph-based Segmentation多个方法详解 (GloRe, GCU, GINet)
    3.GCN代码简要解析
    4.在Pascal Context上实现GloRe
  • DAY6（10月24日）
    1.实例分割与全景分割概述
    2.实例分割：Mask R-CNN和SOLO
    3.全景分割：PanapticFPN和UPSNet
  • DAY7（10月25日）
    1.主流分割数据集介绍
    2.最近研究进展探讨
    3.课程总结与Q&A
  • DAY8（10月27日）
    结营典礼