1. 使用voc2012数据集进行语义分割实例训练测试。数据集建立详见 utils/dataset.py

mkdir data
mv VOCdevkit/VOC2012/JPEGImages data/images
mv VOCdevkit/VOC2012/SegmentationClass data/classes

在建立数据集时，可以采用直接读取文件夹里的图像建立数据集，然后再自行随机划分训练集与验证集。
也可以参照 \VOCdevkit\VOC2012\ImageSets\Segmentation\train.txt(val.txt)，本实例中采用前者，随机划分为90%的训练集和10%的测试集。

2. voc数据集分割类别对应有相应的颜色，故要对label进行一定的变换。详见 utils/transfrom.py
   
3. 数据预处理中并没有对image和label进行resize，是因为label是像素级别上的标注，进行resize可能
   会变成小数。故对其进行相同位置的random crop，自定义random crop,将图片随机裁剪为256x256. 详见 utils/transfrom.py

FCN网络用于图像分割，模型搭建详见 utils/model.py

• FCN8x / FCN16x / FCN32x 使用vgg16作为backbone。
• FCN8s 使用resnet34作为backbone。
• 使用双线性卷积核初始化反卷积核参数。
• 网络反卷积部分设计中可以添加一些batchnorm层，relu或者leakyrelu层等。

1. 以FCN32s为baseline，实验设置固定 learing rate: 0.001, batch_size:5 , epochs:32 ，loss function: negative log likelihood loss

2. 对optimizer、learning rate schedule、backbone做了对比实验：

   optimizer: SGD\Adam

   learning rate schedule: Cosine\Exponential\Multistep

   backbone: VGG16\Resnet34

3. 训练代码

   设置不同的对比实验：

   lr schedule： Cosine、Exponential、Multistep

   optimizer： SGD、Adam

   model: fcn32(vgg)、fcn16(vgg)、fcn8s(vgg)、fcn8x(resnet)

   example:

   python main.py --result_path='./result_fcn32s_SGD_Cosine.txt' --model_path='./models/fcn32s_SGD_Cosine_best_model.pth' --summarywriter_dir='./fcn32s_SGD_Cosine_runs' --lr_decay_choice='Cosine' --model='fcn32' --optim='SGD'

1. 评价指标： 计算了pixel accuracy\mean accuracy\ mean IU,\frequency weighted IU

2. 图像分割衡量标准，具体实现见utils/eval.py。

3. 下列分别为做的对比实验及其指标：

4. 结果可视化