matrixgame2018 / seed

seed分割模块

还有很多参数可调节，我并没有精调参，可以自行调参，譬如将优化器换成sgd，然后T_0=2, T_mult=2,max_epoch=70。(效果应该会好于adamW)

当前实验结果

• backnone: efficientb6
• model: unet++
• img_size: 768
• dice-loss+softCrossBSE联合Loss
• optimize: adamW,SGD均可
• warmUpConsineScheduler

特殊涨点tricks：

• 模型融合
• TTA
• 注意力机制("scse"),仅Unet系列可以使用，后续会支持更多的开发(Unet,Unet++)

后续更多操作：

• 换更大backbone
• 换模型(pspnet,deeplabplus,Unet等)
• 数据增强
• 图像裁剪，patch处理（可以参开nnUnet的做法进行优化）
• 多尺度训练/测试
• SWA，这是一种可以在模型训练完之后的复盘优化，我已经将具体的实现写在了deeplearning中， 可以通过调节swa_start控制swa在什么时间开启，swa一旦开启知道跑完所有的epoch才会停止。 预计通过swa技术可以实现近一个点的涨点。
• 另外除了”scse“结构外本框架还实现了中大最新提出的无参化注意力机制”simam“的在Unet系列的运用， 只需要修改train中seg_qyl的decoder_attention_type即可

数据处理

原始标注:

{ 0：背景 1：前景 }

├── satellite_data
│        ├── ann_dir
│        └── img_dir
├── satellite_jpg
│        ├── ann_dir
│        └── img_dir

代码运行说明

环境:

• torch>1.6,(因为使用了自动混合精度训练。如果<1.6，自行将混合精度训练那部分代码注释掉即可)
• segmentation_models_pytorch
• pytorch_toolbelt

运行

数据处理(可自行灵活处理)

python tif_jpg.py
python make_datasets.py

训练

python train.py

预测

python infer.py

infer里面use_demo=True,可以可视化一张预测图片，若为False,则为生成提交结果