改进版TransUnet：通过在Transformer块中添加CBAM模块进行【高速道路车道线】语义分割的实现

简介：
本研究提出改进版TransUnet模型，在Transformer块内嵌入CBAM模块，显著提升高速道路车道线的语义分割精度和效率，适用于自动驾驶场景。 数据集采用【高速道路车道线】，数据存放于data目录下，并已划分训练集与验证集。代码可以直接运行。 在TransUnet的Transformer模块中加入了CBAM（Convolutional Block Attention Module）模块以提高性能。如需替换其他注意力机制或增强模块，请直接将CBAM部分替换成所需的新组件即可。 网络介绍：只需放置好数据集，然后通过修改train脚本中的参数进行配置，默认设置为100个epoch训练周期，初始学习率为0.01，并采用cosine annealing（余弦退火）策略调整至最小值0.00001。若想在更大图像尺寸上开展实验，请更改img-size参数设定。优化器方面选择了AdamW算法。 评估指标包括dice系数、iou（交并比）、召回率、精确度、f1分数及像素准确率等，代码会在训练和验证阶段自动进行这些性能的评测，并将结果记录到runs文件夹下的json格式文档中供后续查看分析使用。 在模型推理环节，所有位于inferenceimg目录内的图片都将被处理并保存至infer_get与show两个子目录下。前者用于存放经过阈值化后的预测掩膜图；后者则展示原始图像及其对应的预测结果覆盖效果。 更多改进内容详情可参考本人的博客文章系列。