图像分割-改进网络结构

1. 如何找到值得问的问题？

• 模型精度低
• 模型精度多少才算低
• 某一类样本精度低

靠近图片边缘区域的mask缺失率高；特定形状如矩形mask形状预测差；训练集中样本不均较少的类精度低

• 预测存在结构性问题：mask召回率低；分割精度升高，分类精度降低

例子1：

• 正样本召回率很低（看notebook、model_visulize.ipynb）
• 多任务学习（Muti-Task）
• 修改代码、跑实验

例子2：
问题：是否存在更好的网络结构？
办法1：增加网络体积，调大neuron数量。going deeper
办法2：更好的网络架构：Vanilla Unet, SCSE Unet，Attention Unet

2. 各项任务

• 分类任务：encorder+classifier layer（1层）
• 分割任务：encorder+decoder

encoder/backbone:
resnet家族：resnet系列，resnext系列，se-resnet系列，se-resnext系列
efficientnet家族：b0,b1,b2,……,b7
其他：inception系列，vgg系列，densenet系列

efficientnet系列

• 更高效（网络体积相对更小）
• 更高精度

3. Multi-stage训练方案

通过冻结-部分网络（freeze）,起到微调：

• 迁移学习
• 业务数据量小
• 噪音大

多种图片尺寸：

• 先在128*128小尺寸图片上训练
• 最后通过提高图片尺寸finetuning

使用不同loss进行finetuning

• 先用BCE训练
• 最后用lovasz loss/Dice loss,微调几个EPOCH