尝试Unet在本问题中的适用性.docx

研究生周工作总结表（每周）姓名时间一.尝试Unet在本问题中的适用性上周初试Unet网络效果不佳，尝试从以下角度调整:主要参考为医药数据集的标注与训练方法：相似处:1 .所需分割的“类”较少，仅包含背景与目标。2 .输入图像特征相似，主要区分特征存在于目标边界阴影处。3 .训练集数据不多。（相对于复杂图像分割的百万级训练集而言）调整措施：1 .灰度化输入图像；本周具体进展情况考虑本问题中，螺栓与背板颜色相似，区分特征主要在边界与阴影处，色彩通道影响较小，故考虑灰度化输入图像，同时达到简化网络模型参数的效果。2 .消除输入图像杂物背景；考虑在医药数据集中，输入图像为正视细胞图像，不包含其他杂物。同时考虑到消除杂物背景可通过霍夫变换实现，故此步可放于霍夫变换后，使得输入的训练集图像仅3.1将包含螺栓的区域完整标注;33仅标注螺栓边界强阴影段;4 .调整输入的标签图像格式；由于python默认的图片存储颜色对应为0对应黑1对应红，为尽量保持与医药数据集的同步，调整图片存储算法，使得标签图像也为背景为白色，标注区域为黑色。5 .调整训练参数；如学习率、迭代次数。6 .引入医药集预训练网络参数；考虑到直接使用医药集模型预测螺栓问题时，表现有相似之处。故考虑将医药模型作为预训练网络参数，即将网络每个节点的初始参数设置为医药集模型的对应参数，然后在此参数的基础上进行螺栓问题的迭代训练。结果:总结：未取得较理想的结果；考虑可能原因如下：1 .网络深度不够，未能提取出此问题更深层的非线性特征，导致预测结果较差。2 .网络参数过多，模型欠拟合（参考一些同类语义分割项目模型参数文件多在2040MB,本处模型参数高达95MB,可能存在欠拟合情况）改正方向：主要问题应该还是在网络结构上，尝试修改卷积层、升降采样层参数结构后再观察Unet网络结构能否胜任此问题。二.RCNN在进行Unet的一些优化处理时，考虑将处理方法也同样应用于RCNN中，结果精度提升较明显。