模型训练

一、前置部分
二、具体训练
三、结果展示

一、前置部分

git clone https://github.com/EvanfanBao/Adversarial_DA_Exp.git
进入datasets目录删除掉我的两个软链接(rm Cityscapes; rm SYNTHIA)
创建自己的软链接。命令行下 ln -s <你的cityscapes路径> Cityscapes, ln -s <你的SYNTHIA路径> SYNTHIA
去坚果云下载(https://www.jianguoyun.com/p/DdCQFSUQyLjaCRjllYUE)我上传的一个Deeplabresnet-pretrained.pth，这个是在imagenet上的预训练模型。给deeplabv2用的（可以提高性能）。v3+没有这个这个预训练模型，那么我也就不用。
二、具体训练

表格2 (done)

针对这个表格。

对于Oracle的内容。采用在Cityscapes上训练。并且有两种，multi和非multi。//此处multi就是一个中间输出一个网络最终输出。

训练方法。

cityscapes oracle single + deeplabv2 (在训 —> 训练完成在cityscapes验证集上mIoU为0.6852)
```
python3 tools/train_source.py --gpu "0" --dataset 'cityscapes' --checkpoint_dir "/nfs/byf/log/city_oracle_sv2" --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --num_classes 19 --multi "False"
```
//gpu 请自己选择。方式为 “0” ，或者 “0,1,2,3”这样。
//dataset这里选择使用cityscapes
//checkpoint_dir 选择自己的log目录，一般是直接在当前目录下创建log目录(mkdir log命令)，而后改为 “./log/city_oracle_single”
//其他内容均为论文原本配置，没有修改。建议仔细参看论文学习并修改。无时间则不用改了。
num_classes = 16的情况下进行验证结果。
—》我重新训练了num_classes 16的内容-因为后面是这样比较的-结果是mIoU16 0.708。表格中oracle就填写0.708即可。

cityscapes oracle multi + deeplabv2 (fr在训)

python3 tools/train_source.py --gpu "0" --dataset 'cityscapes' --checkpoint_dir "/nfs/byf/log/city_oracle_mv2" --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --num_classes 19 --multi "True"

同理，我重新训练了num_classes 16的情况。结果是mIoU16 0.715.表格中oracle就填写0.715

cityscpaes oracle single + deeplabv3+ (fr在训) (我尝试增加了random_crop 768x768-效果也一般最后结果为0.662)

python3 tools/train_source.py --gpu "0" --dataset 'cityscapes' --checkpoint_dir "/nfs/byf/log/city_oracle_sv3" --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --num_classes 19 --multi "False" --backbone "deeplabv3_plus" --batch_size_per_gpu 2

cityscapes oracle multi + deeplabv3+ (因为没有参考-这部分没有做)

python3 tools/train_source.py --gpu "0" --dataset 'cityscapes' --checkpoint_dir "/nfs/byf/log/city_oracle_mv3" --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --num_classes 19 --multi "False" --backbone "deeplabv3_plus"

完成以上部分后，在cityscapes上的oracle部分即可完成。最优mIoU会在train_log.txt文件中显示。

Synthia数据集上的预训练。(主要是为了提升性能-并且和后面的进行比较)

在synthia上的预训练方法和cityscapes比较相同。
下面给出训练脚本

synthia single + v2 (已完成训练-在synthia验证集上最佳的mIoU13为0.6514124795373774, 在mIoU16为0.640)

python3 tools/train_source.py --gpu "0" --dataset 'synthia' --checkpoint_dir "/nfs/byf/log/synthia_pretrained_sv2" --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --num_classes 16 --multi "False"

注意num_classes 为16—要仔细检查输出log

synthia multi + v2 (在训 —> 完成训练-在synthia验证集上最佳的mIoU13为0.647，mIoU16为0.638，算是正常，效果好的应该是迁移的时候)

python3 tools/train_source.py --gpu "0" --dataset 'synthia' --checkpoint_dir "/nfs/byf/log/synthia_pretrained_mv2" --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --num_classes 16 --multi "True"

synthia single + v3p (在训，这台机子速度非常慢-需要换 —> 机子已换-在训 —> 已完成训练—在synthia验证集上最佳的mIoU13 为0.6512954039688034, 最佳的mIoU16为0.638)

// 对于v3p的模型-我们还需要将它调到更优-没时间就算了。

python3 tools/train_source.py --gpu "0" --dataset 'synthia' --checkpoint_dir "/nfs/byf/log/synthia_pretrained_sv3" --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --num_classes 16 --multi "False" --backbone "deeplabv3_plus" --batch_size_per_gpu 2

synthia multi + v3p (没做)

python3 tools/train_source.py --gpu "0" --dataset 'synthia' --checkpoint_dir "/nfs/byf/log/synthia_pretrained_sv3" --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --num_classes 16 --multi "False" --backbone "deeplabv3_plus"

有了synthia的预训练模型-接下来进行synthia到cityscapes的域适配

我们要填掉表格中Adapt一列。

synthia single + v2 (完成了一次无预训练模型的适配-mIoU有0.35左右-之后还要再重新实验) (重新在训了 —> 基本完成训练，验证集上最佳mIoU13=0.423，最佳mIoU16=0.364, 训练后期出现程序中断—-可能存在潜在问题) !注意-适当增加 —round_num 和 epoch_each_round.

—round_num 5 —epoch_each_round 10 (完成—结果见表格1的内容0.341 -> 0.353, 0.394->0.411)

  python3 tools/solve_synthia_adv.py --gpu "0" --dataset "cityscapes" --checkpoint_dir "/nfs/byf/log/synthia_city_v2_single"  --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --backbone 'deeplabv2_multi' --num_classes 16 --multi False --pretrained_ckpt_file "/nfs/byf/log/synthia_pretrained_sv2"

synthia multi + v2 (正在训练--训练完成-0.360, 0.414, 性能大于v2-single的)

python3 tools/solve_synthia_adv.py --gpu "0" --dataset "cityscapes" --checkpoint_dir "/nfs/byf/log/synthia_city_v2_multi"  --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --backbone 'deeplabv2_multi' --num_classes 16 --multi True --pretrained_ckpt_file "/nfs/byf/log/synthia_pretrained_mv2"

synthia single + v3 (正在训练 —》完成 — 结果见表格1的内容, 0.370, 0.428)

python3 tools/solve_synthia_adv.py --gpu "0" --dataset "cityscapes" --checkpoint_dir "/nfs/byf/log/synthia_city_v3_single"  --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --backbone 'deeplabv3_plus' --num_classes 16 --multi False --pretrained_ckpt_file "/nfs/byf/log/synthia_pretrained_sv3" --batch_size_per_gpu 2

synthia multi + v3 (没有做)
```
python3 tools/solve_synthia_adv.py --gpu "0" --dataset "cityscapes" --checkpoint_dir "/nfs/byf/log/synthia_city_v3_multi"  --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --backbone 'deeplabv3_plus' --num_classes 16 --multi False --pretrained_ckpt_file "/nfs/byf/log/synthia_pretrained_sv3"
```
上面所写的一些参数是多余的-是train source 的参数-我没有删掉。与DA相关的参数见下图。这里的lambda-seg是在multi下中间输出结果的比率。lambda-adv-target1是对最终结果的输出的比率。lambda-adv-target2是对中间结果的比率—用于对抗loss-训练分割网络。learning-rate-D是判别器的学习率。以上这些内容全部采用默认的值。
可以修改的值：epoch_each_round, round_num。这个可以增加训练次数。
//可能存在一些小问题。

这样以上表格就填写完毕了。
针对deeplabv3+的multi部分，可以选择从表格中去除，或者用普通的性能填写。考虑到学术诚信，这里还是去掉吧，没做实验的不乱写。

表格1 （done）

针对第这个表格，我们需要完成以下训练。
由于前面的问题，这里的全部采用single方式，主要是为了体现我们advnet的性能，以及(潜在的) Deeplabv3+导致的性能提升。
对于source only。前面已经完成了在synthia上的预训练。这里我们要做的就是加载模型，并验证。

对于advsegnet，我们前面也已经完成了迁移模型。只要加载模型并验证即可。

mIoU和mIoU13都会有所显示（这里我不能确定计算是否准确-直接用的源代码的）。
所有内容都会输出。此表格填写完毕。

此时，我们其实还缺少一个与SOTA(或者baseline)的比较。这里我原来没在report中加，考虑到性能应该不会特别强。我们就不写了。

验证第一行—deeplabv2 + source only的, 即synthia预训练 + 直接在cityscapes上验证
```
python3 tools/evaluate.py --gpu "0" --checkpoint_dir "/nfs/byf/log/synthia_pretrained_sv2/eval" --source_dataset 'synthia' --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --num_classes 16 --multi "False" --pretrained_ckpt_file "/nfs/byf/log/synthia_pretrained_sv2/synthiabest.pth"
```
注意：checkpoint_dir为验证日志保存目录。这里与原来的预训练目录存放一致，再增加’/eval’。pretrained_ckpt_file 目录为模型目录。evaluate.py 文件就是用于验证模型的性能的。这两个目录尽量严格按照我上面的要求来。代码中存在一些目录路径的拼接，如果不这样做，可能会发生意想不到的错误。
结果如下
43.75 19.4 75.79 6.44 0.19 26.25 8.58 11.88 79.02 81.13 57.59 21.41 50.55 14.0 20.80 28.23
miou16 - 0.341
miou32 - 0.394

验证第二行-deeplabv3_plus + source only的

python3 tools/evaluate.py --gpu "0" --checkpoint_dir "/nfs/byf/log/synthia_pretrained_sv3/eval" --source_dataset 'synthia' --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --num_classes 16 --multi "False" --pretrained_ckpt_file "/nfs/byf/log/synthia_pretrained_sv3/synthiabest.pth" --backbone "deeplabv3_plus"

55.34 21.37 74.77 5.32 0.08 24.06 12.73 13.48 74.03 71.91 51.9 16.94 53.73 23.78 9.95 22.51
miou16 - 0.332
miou13 - 0.386

验证第三行

python3 tools/evaluate.py --gpu "0" --checkpoint_dir "/nfs/byf/log/synthia_city_v2_single/eval" --source_dataset 'synthia' --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --num_classes 16 --multi "False" --pretrained_ckpt_file "/nfs/byf/log/synthia_city_v2_single/synthia2cityscapesbest.pth " --backbone "deeplabv2_multi"

有一说一。对于v2是有提升。0.341 -> 0.353, 0.394->0.411。

53.12 24.04 64.85 4.65 0.16 25.9 13.55 10.57 75.96 76.32 52.75 18.28 63.63 31.15 15.97 34.66
miou16 - 0.353
miou13 - 0.411

验证第四行

python3 tools/evaluate.py --gpu "0" --checkpoint_dir "/nfs/byf/log/synthia_city_v3_single/eval" --source_dataset 'synthia' --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --num_classes 16 --multi "False" --pretrained_ckpt_file "/nfs/byf/log/synthia_city_v3_single/synthia2cityscapesbest.pth " --backbone "deeplabv3_plus"

有一说一，v3经过域适配后性能提升更大。0.332 -> 0.370, 0.386 -> 0.428。那就有话可说了。

62.17 23.44 76.84 10.08 0.25 25.74 14.88 15.5 75.45 73.4 53.12 18.58 66.22 27.43 19.12 29.87
miou16 0.370
miou13 0.428

表格3 (done)

这里就是。这里针对到是single的，因此只需要修改lambda_adv_target1即可。///我们这里backbonev3+
训练脚本

0.001 — 这个是前面已经训练过-不用再训-因为默认是0.001 — 最优的0.370， 0.428

python3 tools/solve_synthia_adv.py --gpu "0" --dataset "cityscapes" --checkpoint_dir "/nfs/byf/log/synthia_city_v3_sensitivy01"  --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --backbone 'deeplabv3_plus' --num_classes 16 --multi False --lambda-adv-target1 0.001 --pretrained_ckpt_file "/nfs/byf/log/synthia_pretrained_sv3" --batch_size_per_gpu 2

不断的修改—lambda-adv-target1 的值即可。

0.0005 (在训练) 0.383, 0.445

python3 tools/solve_synthia_adv.py --gpu "0" --dataset "cityscapes" --checkpoint_dir "/nfs/byf/log/synthia_city_v3_sensitivy05"  --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --backbone 'deeplabv3_plus' --num_classes 16 --multi False --lambda-adv-target1 0.0005 --pretrained_ckpt_file "/nfs/byf/log/synthia_pretrained_sv3" --batch_size_per_gpu 2

0.002 (在训练) 0.382, 0.443

python3 tools/solve_synthia_adv.py --gpu "0" --dataset "cityscapes" --checkpoint_dir "/nfs/byf/log/synthia_city_v3_sensitivy02"  --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --backbone 'deeplabv3_plus' --num_classes 16 --multi False --lambda-adv-target1 0.002 --pretrained_ckpt_file "/nfs/byf/log/synthia_pretrained_sv3" --batch_size_per_gpu 2

0.004 (在训练) 0.383, 0.445

python3 tools/solve_synthia_adv.py --gpu "0" --dataset "cityscapes" --checkpoint_dir "/nfs/byf/log/synthia_city_v3_sensitivy04"  --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --backbone 'deeplabv3_plus' --num_classes 16 --multi False --lambda-adv-target1 0.004 --pretrained_ckpt_file "/nfs/byf/log/synthia_pretrained_sv3" --batch_size_per_gpu 2

表格4 (cut)

类似的
也是采用的single、backbone是v3+

python3 tools/solve_synthia_adv.py --gpu "0" --dataset "cityscapes" --checkpoint_dir "/nfs/byf/log/synthia_city_v3_sensitivy"  --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --backbone 'deeplabv3_plus' --num_classes 16 --multi False --lambda-seg 0.1 --pretrained_ckpt_file "/nfs/byf/log/synthia_pretrained_sv3"  --batch_size_per_gpu 2

按表格调整—lambda-seg参数即可。

0.5 （在训练）

python3 tools/solve_synthia_adv.py --gpu "0" --dataset "cityscapes" --checkpoint_dir "/nfs/byf/log/synthia_city_v3_sensitivy_seg05"  --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --backbone 'deeplabv3_plus' --num_classes 16 --multi False --lambda-seg 0.5 --pretrained_ckpt_file "/nfs/byf/log/synthia_pretrained_sv3"  --batch_size_per_gpu 2

0.2

python3 tools/solve_synthia_adv.py --gpu "0" --dataset "cityscapes" --checkpoint_dir "/nfs/byf/log/synthia_city_v3_sensitivy_seg02"  --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --backbone 'deeplabv3_plus' --num_classes 16 --multi False --lambda-seg 0.2 --pretrained_ckpt_file "/nfs/byf/log/synthia_pretrained_sv3"  --batch_size_per_gpu 2

0.1 — 这个前面已经训练过，不用在训，因为默认是0.1

python3 tools/solve_synthia_adv.py --gpu "0" --dataset "cityscapes" --checkpoint_dir "/nfs/byf/log/synthia_city_v3_sensitivy_seg01"  --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --backbone 'deeplabv3_plus' --num_classes 16 --multi False --lambda-seg 0.1 --pretrained_ckpt_file "/nfs/byf/log/synthia_pretrained_sv3"  --batch_size_per_gpu 2

0.05
```
python3 tools/solve_synthia_adv.py --gpu "0" --dataset "cityscapes" --checkpoint_dir "/nfs/byf/log/synthia_city_v3_sensitivy_seg005"  --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --backbone 'deeplabv3_plus' --num_classes 16 --multi False --lambda-seg 0.05 --pretrained_ckpt_file "/nfs/byf/log/synthia_pretrained_sv3"  --batch_size_per_gpu 2
```
上面内容都可以直接得到。查看log日志。

表格5 (done)

全部采用single的方式，然后v2和v3都要有。这部分表格的内容-结果不会特别好，因为每个城市毕竟太少了，我将他们合在一组-然后验证，估计结果不会太好。
//可以尝试再加一个。
首先是在group0 (cityscapes另外10组)上预训练。用的是toos/train_source.py 代码。
然后是对抗迁移到group1。用的是tools/adv_da.py代码。
这个代码是我之前改的。整合了synthia到cityscapes和group0到group1的迁移。

group0 预训练 single + v2 (在训 —> 完成训练。在90个样本的测试集上mIoU为0.6854)

python3 tools/train_source.py --gpu "1" --dataset 'group0' --checkpoint_dir "/nfs/byf/log/group0_pretrained_sv2" --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --num_classes 19 --multi "False"

group0 预训练 single v3 (在训 —> 完成训练。在90个样本的测试集上mIoU为0.6834)

python3 tools/train_source.py --gpu "0,1" --dataset 'group0' --checkpoint_dir "/nfs/byf/log/group0_pretrained_sv3" --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --num_classes 19 --multi "False" --backbone "deeplabv3_plus" --batch_size_per_gpu 2

group1 域适配到 group0 single v2 (在训)

python3 tools/solve_group_adv.py --gpu "0" --dataset "group0" --checkpoint_dir "/nfs/byf/log/group0_group1_sv2"  --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --backbone 'deeplabv2_multi' --num_classes 19 --multi False --pretrained_ckpt_file "/nfs/byf/log/group0_pretrained_sv2" --round_num 5 --epoch_each_round 10 --source_dataset group0

group1 域适配到 group0 single v3+ (在训)

python3 tools/solve_group_adv.py --gpu "0" --dataset "group0" --checkpoint_dir "/nfs/byf/log/group0_group1_sv3"  --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --backbone 'deeplabv3_plus' --num_classes 19 --multi False --pretrained_ckpt_file "/nfs/byf/log/group0_pretrained_sv3" --batch_size_per_gpu 2 --round_num 5 --epoch_each_round 10 --source_dataset group0

训练完以上城市后-在放到不同城市里面验证输出即可。由于每个城市数据非常少，因此结果不会很好。

！！！考虑到实在是城市太少。上表可能废弃。
因为我的val数据每个城市只有10张图片。非常的少。
//经过我的实验-发现完全无法计算-直接NAN了-遂放弃🥶。

表格仍采用如下方式。

从而验证代码也与前面相同。这里不用计算mIoU16和mIou13 直接使用的是mIoU19，因为cityscapes本身就有19类。num_classes设置为19

第2行验证

python3 tools/evaluate.py --gpu "0" --checkpoint_dir "/nfs/byf/log/group0_pretrained_sv3/eval" --source_dataset 'group0' --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --num_classes 19 --multi "False" --pretrained_ckpt_file "/nfs/byf/log/group0_pretrained_sv3/group0best.pth" --dataset "group1" --backbone "deeplabv3_plus"

96.33 73.57 87.82 41.05 47.13 45.05 46.52 49.96 87.83 56.25 92.61 63.78 41.69 91.08 81.21 72.42 33.36 71.06 46.96
0.650

第1行验证

python3 tools/evaluate.py --gpu "0" --checkpoint_dir "/nfs/byf/log/group0_pretrained_sv2/eval" --source_dataset 'group0' --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --num_classes 19 --multi "False" --pretrained_ckpt_file "/nfs/byf/log/group0_pretrained_sv2/group0best.pth" --dataset "group1" --backbone "deeplabv2_multi"

95.79 70.93 87.59 40.45 46.18 46.02 48.84 51.63 87.44 55.0 90.49 67.25 44.92 90.7 45.22 78.95 36.5 76.65 55.98
0.640

第4行验证

python3 tools/evaluate.py --gpu "0" --checkpoint_dir "/nfs/byf/log/group0_group1_sv3/eval" --source_dataset 'group0' --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --num_classes 19 --multi "False" --pretrained_ckpt_file "/nfs/byf/log/group0_group1_sv3/group02group0best.pth" --dataset "group1" --backbone "deeplabv3_plus"

同样对抗适配hurt了performance。
95.49 70.66 85.83 35.75 42.81 39.56 37.3 40.93 86.44 57.41 90.11 61.65 33.02 89.26 62.18 71.11 24.85 68.84 51.27
0.602

第3行验证

python3 tools/evaluate.py --gpu "0" --checkpoint_dir "/nfs/byf/log/group0_group1_sv2/eval" --source_dataset 'group0' --iter_max 200000 --iter_stop 80000 --freeze_bn False --weight_decay 5e-4 --lr 2.5e-4 --crop_size "1280,720" --num_classes 19 --multi "False" --pretrained_ckpt_file "/nfs/byf/log/group0_group1_sv2/group02group0best.pth" --dataset "group1" --backbone "deeplabv2_multi"

感觉这部分反而hurt了performance。
94.92 66.17 86.0 41.98 42.15 39.5 41.15 43.84 85.67 53.21 88.78 65.08 34.99 88.73 37.63 58.83 29.39 79.54 53.65
0.595

new table