版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/zhjm07054115/article/details/51569450
欢迎访问人工智能研究网课程中心
studyai.com
-----------------------------------------------------------------------------------
FCN做图像语义分割--测试和训练
FCN 论文：Fully Convolutional Networks for Semantic Segmentation（FC-Model）.pdf
FCN 原理：
FCN 代码：基于MatConvNet构建模型
1. 下载源码，放到根目录E:MatConvNet-fcn-master
2. 配置matconvnet, 拷贝matconvnet-beta16版本到根目录下. 并进行编译。
CPU编译直接运行 vl_compilenn()。
GPU编译最好用CUDA7.5，如果是titanx等计算能力在5.2的卡，cuda6.5编译会报错“compute 52 xxx 错”。
若电脑中同时有cuda6.5/cuda7.5，要在函数cuda_root = search_cuda_devkit(opts)中设置nvcc=nvcc(index(2))，
而且要检查，系统变量中 CUDA_PATH和 CUDA_Samples_PATH的路径是在7.5下。
编译前，还要拷贝cudnnxx.dll到matcoonvnet的mex文件夹下，以提供对cudnn的支持。
编译前，还要在vl_compilenn()中加上 “v7.5”这个CUDA版本号，直接搜素"v6.5"就到了对应位置。
3. 拷贝ZF模型和VGG模型，注意是-beta16版格式的，其他版本会报错，到FCN的data/modles路径下。
4. 配置VOC2011数据集，进行训练。训练主函数 fcnTrain()。
配置数据集根据错误调试掉BUG.
function fcnTrain(varargin)
%FNCTRAIN Train FCN model using MatConvNet
run matconvnet/matlabl_setupnn ;
addpath matconvnet/examples ;
% experiment and data paths
opts.archiveDir = fullfile('F:','VOC2011'); % 下载原始数据
opts.dataDir = fullfile('F:','VOC2011','VOCtrainval');
opts.expDir = fullfile('data','fcn16s-voc11-train');
opts.modelType = 'fcn16s' ;
opts.sourceModelPath = 'data/models/imagenet-vgg-verydeep-16.mat'; %-beta16版本
[opts, varargin] = vl_argparse(opts, varargin) ;
% experiment setup
opts.imdbPath = fullfile(opts.expDir, 'imdb.mat') ;
opts.imdbStatsPath = fullfile(opts.expDir, 'imdbStats.mat') ;
opts.vocEdition = '11' ;
opts.vocAdditionalSegmentations = true ;
opts.numFetchThreads = 1 ; % not used yet
% training options (SGD)
opts.train.batchSize = 20 ;
opts.train.numSubBatches = 10 ;
opts.train.continue = true ;
opts.train.gpus = 1 ;
opts.train.prefetch = true ;
opts.train.expDir = opts.expDir ;
opts.train.learningRate = 0.0001 * ones(1,50) ;
opts.train.numEpochs = numel(opts.train.learningRate) ;
opts = vl_argparse(opts, varargin) ;
