# laneSegmention20210410

**Repository Path**: boboboblog/lane-segmention20210410

## Basic Information

- **Project Name**: laneSegmention20210410
- **Description**: 课后作业同步
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 26
- **Created**: 2021-05-29
- **Last Updated**: 2021-05-29

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# laneSegmention20210410
  - 开讲日期20210411-上午9点
  - 以下文件都可以在https://gitee.com/mingminglaoshi/lane-segmention20210410     找到，若找不到联系，可以明明老师协助。微信13271929138
  - week1 
```
CV名企课-车道线分割-WEEK1 :  项目概述及上采样技术
https://gitee.com/mingminglaoshi/lane-segmention20210410
Pipeline:
0.师生相互了解
1.项目概述
2.卷积神经网络
3.上采样技术

作业：
   1. 安装python环境，安装numpy,pytorch等库、
   2. 跑通老师提供的双线性插值循环版本upsampling.ipynb 
   3. 用numpy实现双线性插值的矩阵版本（函数提示:np_marid,np.clip, np.expand_dims
   4. 测试双线性插值循环版和矩阵版本的运行时间和结果差异（参考陈老师提供的nearest的代码)
提交要求：
   1. 提交双线性插值矩阵版本的python代码（建议.py 或 .ipynb格式)
   2. 提交两个版本的运行时间和结果差异截图
week1文件夹说明：
   1. cat.png:upsampling.ipynb 使用的样例图片
   2. upsampling.ipynb 上采样参考代码
```
  - week2 
```
CV名企课-车道线分割-WEEK2 :  转置卷积与FCN
https://gitee.com/mingminglaoshi/lane-segmention20210410
Pipeline:
0.双线性上采样作业回顾
1.转置卷积详解与反向传播
2.全卷积网络(FCN)

作业：
   1. 参照代码week2/fcn.py,用pytorch实现FCN-4s(padding=100)
提交内容：
   1. FCN-4s的代码（建议.py格式和ipynb格式)
   2. FCN-4s中的crop的offset计算过程(建议word格式)

week2文件夹内容说明：
   1. fcn.py：FCN的参考资料
   2. upsampling_homework.py:双线性上采样实现方法。
   3. Long_Fuuly_Convolutional_Networks_2015_CVPR_paper.pdf:FCN论文
```
  - week3 
```
CV名企课-车道线分割-WEEK3 :  U-Net模型详解
https://gitee.com/mingminglaoshi/lane-segmention20210410
Pipeline:
0.FCN-4s作业回顾
1.U-Net详解
2.U-Net网络结构修改
3.扩展学习:U-Net++

作业：
   1. 对老师提供的 U-Net++L2代码进行修改，backbone替换为ResNet,其他卷积块替换为ResNet中的BasicBlock。按照作业中的注释要求进行修改。
提交内容：
   1. 提交修改后的代码（建议.py格式和ipynb格式）
   2. 将backbone分别替换为resnet34和resnet50,将打印出的结果截图提交

week3文件夹内容说明：
   1. week2参考答案/FCN_4s.py：FCN实现4s的代码参考
   2. 作业：week3的作业代码
   3. 论文：week3涉及到的UNet,ResNet,hourglass以及pix2pix的论文。
   4. 课上代码：课堂上涉及到的UNet.py,ResNet.py相关代码。
补充内容：
   1. U-Net论文解析：https://zhuanlan.zhihu.com/p/370931792
   2. ResNet34模型计算过程详解：https://zhuanlan.zhihu.com/p/370931435
   3. 最佳backbone:resnet的几种变形：https://zhuanlan.zhihu.com/p/370930808
   4. U- Net论文带读以及代码带写：https://www.bilibili.com/video/BV1KK4y1A7TD
```

  - week4 
```
CV名企课-车道线分割-WEEK4 :  DeepLab模型详解
https://gitee.com/mingminglaoshi/lane-segmention20210410

Pipeline:
0.UNet++作业回顾
1.膨胀卷积
2.DeepLabV1
3.DeepLabV2
4.DeepLabV3
5.DeepLabV3+
6.DeepLabV3+代码实战

作业：
   1. 基于老师提供的aspp.py文件，补全aspp模块。
   2. 计算backbone为resnet50_atrous时，ASPP五个分支各自感受野的大小（要求计算output_stride=8,和output_stride=16的情况)
提交内容：
   1. 提交修改后的aspp的完整代码（建议.py格式和ipynb格式）
   2. 感受野的大小计算过程以及结果(建议txt,word或者pad格式)

week4文件夹内容说明：
   1. week4/week3参考答案/resnet_unetpp_homework.py：week3的UNetpp的L2级别的代码参考
   2. week4/aspp.py:week4的作业代码
   3. 论文：week4涉及到的deeplabv1,v2,v3,v3+等论文。
   4. 课上代码：课堂上涉及到的deeplabv3plus.py
补充内容：
   1. 关于空洞卷积的讨论：https://zhuanlan.zhihu.com/p/372753977
   2. Deeplabv1论文解析：https://zhuanlan.zhihu.com/p/373825061
   3. ResNet50模型计算过程详解：https://zhuanlan.zhihu.com/p/374448655
   4. 条件随机场CRF与图像分割：https://zhuanlan.zhihu.com/p/372759285
   5. DeepLabv1与VGG-16模型的感受野计算：https://zhuanlan.zhihu.com/p/373639725
```

- week5 
```
CV名企课-车道线分割-WEEK5 :  数据处理
https://gitee.com/mingminglaoshi/lane-segmention20210410

Pipeline:
0.ASPP,以及DeeplabV3+感受野作业回顾
1.数据集制作
2.数据处理
3.数据加载
4.数据闭环与主动学习

作业：
   1. 将small_dataset制作成LMDB格式的数据集
   2. 基于老师提供的代码，将LaneDataset 改写为从LMDB中读取数据
   [选做]3. 使用小批量数据集进行 deeplabv3+模型的从零开始训练，使用交叉熵，SGD进行训练。

提交内容：
   1. README.txt - LMDB制作方法概述(Key的选择，数据解析方式等)
   2. make_lmdb.py - LMDB的制作脚本
   3. image_process.py - 其中LaneDataset读取方式改为LMDB

week5文件夹内容说明：
   1. week5/class_code：week5课上代码，主要涉及颜色变换，投影变换等图片增广的示范程序。
   2. week5/homework:作业参考代码。小批量数据集的数据预处理与数据增广，数据加载程序。作业可在此代码的基础上更改。
   3. week4_homework_anser:ASPP代码以及deeplabv3+感受野计算参考答案。

补充内容：
   1. 感受野前向计算，后向计算的公式以及公式推导：
      前向计算：https://zhuanlan.zhihu.com/p/375100687
      后向计算：待更新在https://gitee.com/mingminglaoshi/lane-segmention20210410/blob/master/README.md
   2. 车道线检测经典常用数据集整理：待更新在https://gitee.com/mingminglaoshi/lane-segmention20210410/blob/master/README.md
   3. LMDB的生成与读取:https://www.cnblogs.com/houjun/p/10484945.html
   4. 图像数据增强包IAA：https://blog.csdn.net/qq_36552489/article/details/107645788
   5. IMDB2IMG方法,IMG2IMDB方法：https://www.jianshu.com/p/ef84715e0fdc

```