2018-10-第二周1

在本周的工作中，主要聚焦于SqueezeSeg网络的训练与数据预处理方面，这是一个针对语义分割任务的轻量级卷积神经网络模型，尤其适用于车载LiDAR数据的实时处理。SqueezeSeg网络设计的核心在于高效利用计算资源，通过SqueezeNet的压缩架构来实现对三维点云数据的二维投影分割。 对SqueezeSeg模型进行了训练，并在测试数据集上得到了初步结果。这一步骤通常包括模型的搭建、参数设置、优化器选择以及损失函数的定义。训练过程可能涉及到多轮迭代，每一轮都会更新模型权重以逐步提高对数据的理解和预测准确性。测试数据结果的分析是评估模型性能的关键，它可以帮助我们了解模型在未见过的数据上的泛化能力。 对原始数据进行了预处理，这是深度学习项目中的重要环节。原始数据往往需要经过一系列转换以适应模型的需求。在这个案例中，数据被转化为0-180度和0-360度的npy格式，这是一种常见的数值型数据存储方式，便于模型读取。这样的转换可能是因为SqueezeSeg网络需要输入特定角度范围的俯视图数据，将角度标准化有利于模型学习和减少冗余信息。 在数据处理过程中，提出了三种策略来应对数据集的问题：一是将图片拆分为四份，每份对应90度，以充分利用每个文件中的点；二是拆分为两份，使用180度的正向，同样是为避免数据浪费；三是不拆分图片，直接使用全部数据进行训练。这些尝试都是为了优化模型的学习效果，尤其是在数据量有限的情况下，通过数据增强技术可以有效提升模型的泛化能力。 此外，还提到了使用预训练模型（pretrain model）的方法，这通常是指利用已经在大规模数据集上训练好的模型作为初始权重，然后在目标数据集上进行微调（finetune）。在SqueezeSeg的情况下，可以使用lidar_2d预训练模型，并调整最后一层网络以适应新的任务。这样做的好处是可以利用预训练模型已经学习到的特征，加速训练进程并提高最终模型的性能。 下周的工作计划主要是继续数据预处理和模型优化。转换360度数据是为了让模型学习更全面的角度信息，而结合finetune方法使用预训练模型，则是希望在0-180度数据上进一步提升模型的表现。这种逐步迭代和优化的过程是深度学习项目中常见的实践，通过不断试验和调整，可以逐步提高模型的准确性和实用性。 这次工作涵盖了深度学习模型训练、数据预处理、模型优化以及预训练模型的应用等多个关键知识点，这些都是在进行网络软件开发或毕业设计时必须掌握的重要技能。