所有代码，数据集和模型下载地址：https://github.com/wangye707/ICNet-paddlepaddle
本博客主要做部分内容讲解
1.数据集介绍以及预处理
1.1数据集介绍
上图中左侧为航拍原图，右侧为标签（类别标签 像素值分别为 0，1，2，3，4，所以人的肉眼不能够分辨出区别，本文对标签进行可 视化处理 （实际训练中不做可视化处理），植被用绿色，道路用黑色，建筑用灰色， 水体用蓝色，以及其背景用白色标注）
1.2 图片裁剪、镜像和旋转
裁剪：
镜像和选装：
2.代码执行过程
2.1 环境说明
本次采用的深度学习环境为飞桨（paddlepaddle），神经网络模型采用ICNet，相关核心依赖包的版本关系为：
- numpy == 1.18.1
- opencv-python == 4.2.0.32
- paddlepaddle-gpu == 1.7.1.post97
- pandas == 0.25.3
注意：操作系统尽量采用linux。
2.2 执行方式
执行方式请参考我的github：https://github.com/wangye707/ICNet-paddlepaddle
各位如果觉得有用的话麻烦点个 star，感谢！有问题也可以在Issues下留言。
1.下载代码：
git clone https://github.com/wangye707/ICNet-paddlepaddle.git
2.进入到ICNet-paddlepaddle目录下（为了方便观看，本次在windows目录下进行，实际路径为linux下）
开始把百度云中下载的数据集放过来
如果您也下载了已经训练的模型，并且想再用默认的模型路径，请先手动新建 chkpnt文件夹，然后放入即可，如下图所示：
3.执行代码：
1.图片裁剪
python preprocess.py
2.训练神经网络
简化版本，均使用默认参数请执行：
python train.py
指定参数请执行：
python train.py --batch_size=64 --checkpoint_path=chkpnt --init_model=chkpnt/1000 --use_gpu=True
说明：checkpoint_path： 模型将保存的路径，默认为10000步保存一次。
init_model： 预训练模型的路径，本次没有给出预训练模型。
模型恢复训练方式： 指定最新的模型路径来恢复训练，记得修改当
前迭代步数以保证正常训练（如在1000步时终止
，记得修改迭代步数从1000开始，而不是默认参数0）
3.评估网络模型
python eval.py --model_path=chkpnt/400000
说明：model_path是指定的模型文件路径
4.通过已训练完成的网络模型预测图片
直接预测：
python infer1.py --model_path=chlpnt/400000 --images_path=/dataset/origin/5.png
膨胀预测优化（推荐使用）：
python infer_exp.py --model_path=chlpnt/400000 --images_path=/dataset/origin/5.png
3.后期优化
3.1 膨胀预测：
膨胀预测的主要思想是每次预测仅仅保留图片的中心部分，其余地方舍弃，而舍 弃的地方通过滑动切割的思想也会成为其他预测图的中心区域，该方法避免因边界的 特征提取问题而产生拼接痕接，影响最终分割效果。膨胀预测主要思想如图 3.13 所 示，填充一倍的边框来确保膨胀预测时保留中心区域，以 256*256 为滑动窗口大小， 每次保留中心的 128*128，步长设置为 128。通过此膨胀预测，使得航拍图片最终拼 接无痕，提升庞大尺寸图片的分割效果。（执行方式在上面有提到）
膨胀预测结果展示：
3.2 图片融合
参考代码：https://blog.csdn.net/qq_28626909/article/details/105569221
3.3 指定信息输出
