感知问题-语义分割
此项目采用UNet实现自动驾驶场景的语义分割任务。在该任务中，输入为车辆前视相机的RGB图像，输出为图像中每个像素的类别标签。
完整项目的下载链接为：https://github.com/TOPSlearningcenter/UNet
模型介绍
1. 模型概述：
UNet是一种经典的语义分割模型，主要由编码器和解码器两部分组成，在编码器和解码器中间采用跳跃连接以保留特征。这一设计使得UNet在处理具有复杂结构和细节的图像时，能够高效地提取和恢复特征，从而实现准确的分割结果。
2. 模型架构：
- 编码器：UNet的编码器由多个卷积层和最大池化下采样层组成，两者的数量和大小可以根据输入图像的大小和深度进行调整。
- 解码器：UNet的解码器由多个反卷积上采样层和卷积层组成，两者的数量和大小可以根据编码器输出的特征图大小和深度进行调整。
- 跳跃连接：UNet的编码器和解码器之间采用跳跃连接，以保留高分辨率图像的细节特征。
3. 具体实现：
- 数据加载：加载RGB图像和对应的标签，并对图像进行预处理，包括归一化、缩放等。
- 训练：使用Adam优化器训练UNet模型，使用交叉熵损失函数监督。
- 测试/可视化：模型推理，并根据预测类别标签对图像进行可视化。
