所有代碼，數據集和模型下載地址：https://github.com/wangye707/ICNet-paddlepaddle
本博客主要做部分內容講解
1.數據集介紹以及預處理
1.1數據集介紹
上圖中左側爲航拍原圖，右側爲標籤（類別標籤 像素值分別爲 0，1，2，3，4，所以人的肉眼不能夠分辨出區別，本文對標籤進行可 視化處理 （實際訓練中不做可視化處理），植被用綠色，道路用黑色，建築用灰色， 水體用藍色，以及其背景用白色標註）
1.2 圖片裁剪、鏡像和旋轉
裁剪：
鏡像和選裝：
2.代碼執行過程
2.1 環境說明
本次採用的深度學習環境爲飛槳（paddlepaddle），神經網絡模型採用ICNet，相關核心依賴包的版本關係爲：
- numpy == 1.18.1
- opencv-python == 4.2.0.32
- paddlepaddle-gpu == 1.7.1.post97
- pandas == 0.25.3
注意：操作系統儘量採用linux。
2.2 執行方式
執行方式請參考我的github：https://github.com/wangye707/ICNet-paddlepaddle
各位如果覺得有用的話麻煩點個 star，感謝！有問題也可以在Issues下留言。
1.下載代碼：
git clone https://github.com/wangye707/ICNet-paddlepaddle.git
2.進入到ICNet-paddlepaddle目錄下（爲了方便觀看，本次在windows目錄下進行，實際路徑爲linux下）
開始把百度雲中下載的數據集放過來
如果您也下載了已經訓練的模型，並且想再用默認的模型路徑，請先手動新建 chkpnt文件夾，然後放入即可，如下圖所示：
3.執行代碼：
1.圖片裁剪
python preprocess.py
2.訓練神經網絡
簡化版本，均使用默認參數請執行：
python train.py
指定參數請執行：
python train.py --batch_size=64 --checkpoint_path=chkpnt --init_model=chkpnt/1000 --use_gpu=True
說明：checkpoint_path： 模型將保存的路徑，默認爲10000步保存一次。
init_model： 預訓練模型的路徑，本次沒有給出預訓練模型。
模型恢復訓練方式： 指定最新的模型路徑來恢復訓練，記得修改當
前迭代步數以保證正常訓練（如在1000步時終止
，記得修改迭代步數從1000開始，而不是默認參數0）
3.評估網絡模型
python eval.py --model_path=chkpnt/400000
說明：model_path是指定的模型文件路徑
4.通過已訓練完成的網絡模型預測圖片
直接預測：
python infer1.py --model_path=chlpnt/400000 --images_path=/dataset/origin/5.png
膨脹預測優化（推薦使用）：
python infer_exp.py --model_path=chlpnt/400000 --images_path=/dataset/origin/5.png
3.後期優化
3.1 膨脹預測：
膨脹預測的主要思想是每次預測僅僅保留圖片的中心部分，其餘地方捨棄，而舍 棄的地方通過滑動切割的思想也會成爲其他預測圖的中心區域，該方法避免因邊界的 特徵提取問題而產生拼接痕接，影響最終分割效果。膨脹預測主要思想如圖 3.13 所 示，填充一倍的邊框來確保膨脹預測時保留中心區域，以 256*256 爲滑動窗口大小， 每次保留中心的 128*128，步長設置爲 128。通過此膨脹預測，使得航拍圖片最終拼 接無痕，提升龐大尺寸圖片的分割效果。（執行方式在上面有提到）
膨脹預測結果展示：
3.2 圖片融合
參考代碼：https://blog.csdn.net/qq_28626909/article/details/105569221
3.3 指定信息輸出
