这应该是我参加的第三个飞桨训练营了，作为职业打工人，真的是挤出碎片时间，断断续续跟着B站学习，一边学一边很纳闷为什么AIstudio里面的课程没有同步上传视频呢~

      印象最深刻的是开营第一课，主讲人是杨老师，杨老师的PPT真是简单大气充满禅意，精美的图片，简练的文字。看着PPT，听杨老师侃侃而谈，爽。杨老师首先结合图片举例，介绍了典型的常见计算机视觉任务，依照杨老师的说法，图像分割的基本类别有三种， 第一是语义分割（Semantic Segmentation)，把图片中的像素进行分类。第二是实例分割（Instance Segmentation)， 可以理解成目标检测和语义分割的结合，第三是Panoptic Segmentation全景分割，这也是2019年提出的新理念，难度也最大。当然，本次训练营讲的是第一种，Sematic Segmentaion 语义分割。 Segmentation，本质上就是pixel in pixel out， 像素进像素出，就是像素分割。 和之前的图像分类不一样，图像分类输出是标签。但图像分割输出往往是像素，图像分割常见于自动驾驶，医学CT扫描， 卫星遥感， 人体不同部位分割等也有不同程度的应用。对于图像分类而言，就是通过卷积、池化加上全连接，拉直然后输出类别，这个图像分类的过程可看成两个部分，第一部分是提取特征，第二部分是分类器。但图像分割是逐像素分类， 则每个卷积池得到的是特征图，卷积之后的大小不变，则得到同样大小的特征图，但每一层保持同样大小则计算量很大，所以图像分割采取的策略是先卷积逐层变小，然后再卷积逐层变大，即从downsampling到upsampling的过程。其中，downsampling的操作和图像分类一致，不同的就是upsampling。故解决图像分割的难点在于两个，一是要确定结构，即downsampling, upsampling的结构，即Encoder-Decoder的结构；二是关键是把全连接变成卷积放大图，但放大图可能会丢失信息，需要做特征的融合。综上所述，语义分割的基本思路小结为：Encoder+Decoder （下采样+上采样）结构确定；（特征点相加，维度拼接）多尺度特征融合；（softmax + argmax）逐像素点分类。

       杨老师把图像分割概念解释完后，就开始讲解念技术细节。印象深刻的是关于上采样（即怎样放大图）的三种方法，第一种方法是插值Interpolation, 包括Nearest, Bilinear；第二种方法是，转置卷积transpose Conv, (Transpose + Conv)；第三种方法是反池化Unpool (Average unpool; Max unpool)。这三种方法都结合了具体算例，同时杨老师指出Nearest有飞桨API paddle.nn.UpsamplingNearest2D 支持，Bilinear也有飞桨APIpaddle.nn.UpsamplingBilinear2D 支持。这两种方法效果差不多，但实际操作种用Bilinear的更多；反卷积也有飞桨API Deconvolution paddle.nn.Conv2DTranspose支持，但反卷积只能恢复原图大小，不能恢复原有特征。图像特征融合有两种方法，一是特征点逐点相加，二是特征维度拼接。像素点分类也有两种，一是 softmax
二是 argmax。关于图像分割的标准，即如何评价图像分割的好坏，也有两种方法，一种是Accuracy， 即用预测对的像素个数除以总的像素个数；还有一种是IoU, 是用Area of Overlap除以 Area of Union， 大部分论文paper用IoU方法。

      最后杨老师介绍了典型网络，第一种是FCN网络，也是图像分割的开山之作， 原作是2015年 CVPR的经典论文， 创新性提出全卷积结构的贡献。 FCN网络全称 Fully Convolutional Networks
基本概念涉及了全卷积，没有FC，像素级分类，将FC替换成Conv；第二种网络结构是UNet网络，典型U型结构，Encoder和Decoder完全对称，特征融合由FCN的相加变为维度拼接，是15年发表于医学刊物的经典论文。第三种网络结构是Deeplabv3p，属于Deeplab系列，有v1, v2, v3等变体，是2018年的经典论文。第四种网络是HRNet网络，发表于2019年CVPR顶会的论文。第五种网络是OCRNet网络，发表于2020年ECCV的论文。典型网络介绍完后，杨老师总结了语义分割任务解决的问题，把代码实战留到了训练营第二课上。

       训练营感觉难度最大是顾老师的作业题目“车道线分割”，顾老师（坑姐）讲的很棒，是我个人学艺不精。模型训练过程中要么爆出内存异常，要么运行5个小时后断线，我辛辛苦苦赞起的算力，被坑姐的作业题目给“坑”光了。恍恍惚惚之中，我觉得自己跳进了坑姐的“坑”，沉迷于炼丹之中，而且不能自拔....在写下这些文字的同时，我依然在孜孜不倦的完成顾老师布置的作业。

       学习不停，飞桨不止，飞桨帮我开启了一扇窗，让我一窥深度学习的神奇，作为拥有打工魂的打工人，我会坚持学下去的。再次感谢飞桨实战营，感谢飞桨领航团，感谢飞桨PPDE~