许久未写blog，半月前调通了一种自己改进的GAPSO算法（遗传算法和粒子群算法结合的算法），但是迟迟找不到一种适用的场景，调过频谱分配问题，但是效果不好（PSO都比GAPSO强）。同学喊我参加数学建模比赛，犹豫许久，决定试试，之前也没事会做OJ，但做完几个小题后心里还是空荡荡的。这次参加建模后，一块石头落地了，知道自己学习中的不足。
看到审核未通过的那一刻，整个人宕机了。
原因是查重未通过。（超过40%）
在此就不xx竞赛组了。（真的没想到会查重，缺乏竞赛经验）
一、总结一下经验吧。
1、时间分配
这次时间分配还是可以的，就是写论文的时间太晚了。
2、工作分配
我们主要把经历放在编程上。看大佬的经验要分成建模、编程、写作三部分。
3、选题
选题还是挺重要的，尽量选大家都会得，每个人的侧重点肯定不一样，遵循少数服从多数的原则。
二、赛题（2019.C题）
请你们查阅相关资料和数据，结合数据特点，建立数学模型研究下列问题：
1、问题1：运动目标的检测
(1) 完成附件1的图像序列中运动目标的检测，用矩形框定位出4个运动目标，其中骑车人和其余3人分别用2种不同颜色的矩形框定位。
(2) 完成附件2的红外视频中运动目标的检测，用矩形框定位出7个运动目标，其中车和人分别用2种不同颜色的矩形框定位，并把定位结果用视频展示。
2、问题2：运动目标的语义分割
(1) 完成附件1的图像序列中运动目标的语义分割，分割出4个运动目标，其中骑车人和其余3人分别用2种不同颜色标注。
(2) 完成附件2的红外视频中运动目标的语义分割，分割出7个运动目标，其中车和人分别用2种不同颜色标注，并把分割结果用视频展示。
3、问题3：运动目标的实例分割
(1) 完成附件1的图像序列中运动目标的实例分割(同时检测和分割)，分割出4个运动目标，其中4个目标分别用4种不同颜色标注。
(2) 完成附件2的红外视频中运动目标的实例分割(同时检测和分割)，分割出7个运动目标，其中7个目标分别用7种不同颜色标注，并把分割结果用视频展示。
4、问题4：性能评价
完成上述所实现的模型(或算法)的性能评价，给出优缺点分析。
三、解题
第一问，我们很顺利调通帧差法和混合高斯法。网上代码很多。（图片为竞赛提供）
第二、三问，卡住了，最后决定用神经网络做（查了论文，做语义分割的基本都是神经网络）。
大腿同学选了FCN网络。（具体调程是那个同学做的）训练出来效果不好，无法分类，全是蓝色的，尽管上色应该是个RGB图像。
后来我们自己用labelme打标签，但是比赛只提供了200幅图片，就直接将这些复制了n份（这样做似乎不合理，但是实际训练结果变好很多）。
下面那张图是一开始的效果（不同颜色就是不同类别）
我们考虑此问题主要原因有
（1）网络定义类过多。参考官方文档，对类定义了十多种，但实际任务要求只需要对网络定义三类进行训练，背景类、行人类、汽车人类。
（2）官方数据集所用来训练网络的图片并不完全适合问题场景，我们在训练集中加入了附件图片去训练网络，我们对附件图片使用labelme软件进行标签定义区域类别。
（3）训练次数过少。开始时，仅对网络进行几千次训练，测试误差在2.7%左右，后续我们对网络进行1万到3万次的训练，测试误差在0.3%左右。
经过总结上述问题后，我们对网络、训练集、训练方法进行改进，重新解决语义分割问题。改进采用方法后，VGG16语义分割模型针对问题2（1）产生语义分割效果图如图所示
实际上用FCN处理后出来的结果是一张灰度图，我们需要对其上色。
问题四、性能分析
针对问题二，基于FCN的语义分割。FCN对图像进行像素级的分类，从而解决了语义级别的图像分割（semantic segmentation）问题。与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全联接层+softmax输出）不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样,使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测,同时保留了原始输入图像中的空间信息,最后在上采样的特征图上进行逐像素分类。FCN缺点是得到的结果还是不够精细。进行8倍上采样虽然比32倍的效果好了很多，但是上采样的结果还是比较模糊和平滑，对图像中的细节不敏感。是对各个像素进行分类，没有充分考虑像素与像素之间的关系。忽略了在通常的基于像素分类的分割方法中使用的空间规整（spatial regularization）步骤，缺乏空间一致性。
而且神经网络有几大缺点:1.网络层次深，训练时间长，参数多；2.网络不可解释性；3.需要大量带有标签的数据。
针对问题三，基于FCN和混合高斯法的实例分割。我们解决问题三，是在问题二生成的语义分割图的基础上进行了目标检测。该算法原理简单，检测速度快，但是无法识别重叠目标，而且会存在一定概率误判。
参加比赛还是收获很多的，最后感谢队友，感谢指导老师！