1、模型介绍

Qt-3Dt是一种3d跟踪网络，可以将图像分成不同的语义区域。它由Cambridge大学的研究人员开发，旨在解决计算机视觉中的语义分割问题。具有轻量级、快速、准确的特点，广泛应用于自动驾驶、医学图像分析、遥感图像分析等领域。

模型结构如下所示：

2、工作概述

我在开发工程中，分别进行了：数据处理，模型构建，模型训练，模型微调，模型测试。在每一个步骤中我都获得了莫大的收获。

数据预处理：将Cityscapes数据集转换为qt-3dt所需的格式，包括图像和标注。

模型训练：使用qt-3dt框架对预处理后的数据集进行训练，以获得适合于Cityscapes数据集的语义分割模型。部分训练日志如下所示： 

UserWarning: downsample module has been moved to the pool module.

  warnings.warn("downsample module has been moved to the pool module.")

...............................................................................................................................................................................................................................................................................................................................................................................Epoch 1/100 

 14/367 [>.............................] - ETA: 889s - loss: 2.4858 - acc: 0.0782

一开始效果不好，关键是池化层，最终添加核心池化层之后效果变好。池化层定义在这里贴一下：

模型评估：使用评估指标（如IoU）对模型进行评估，以确定其在Cityscapes数据集上的性能。

模型应用：使用训练好的模型对Cityscapes数据集中的新图像进行语义分割，以获得图像中不同区域的语义信息。

3、模型测试

在Jupyter中测试效果如下：

4、收获总结

在本次比赛中，我将qt-3dt用于了Cityscapes数据集进行测试，效果较好。我在本次学习中，掌握了qt-3dt的构建以及训练方法，对于相关的模型架构也有了更深的理解。