Update README.md

README.md

@@ -1,29 +1,35 @@
-### Segment_SNN
-#### 概览
+## Segment_SNN
+### 概览
 Segment_SNN主要实现了一个利用VGG16和FPN作为backbone，采用encoder-decoder架构实现的语义分割网络。其中对VGG16和FPN网络实现了细粒度的脉冲神经元替换（卷积、线性、池化、批归一化）。
-#### 使用方式
-##### 数据集准备
+我们的实验主要分为两个阶段
++ 首先是对VGG16网络进行SNN的转换，并将转换后的网络在nminst数据集上进行分类训练，来验证模型转换效果
++ 第二阶段我们对FPN网络也进行了转换，并且将其与上一步转换过的VGG16网络进行拼接得到我们的语义分割模型Segment_SNN
+### 使用方式
+#### 数据集准备
 + 使用coco数据训练
 + 数据使用快速眼动法生成dvs帧（共9帧）作为模型输入，方法参考`Lin Y, Ding W, Qiang S, et al. Es-imagenet: A million event-stream classification dataset for spiking neural networks[J]. Frontiers in neuroscience, 2021, 15: 1546.`
 + 如果使用个人数据集，确保包含如下目录和文件
   + xxx
   + xxx
-##### 模型训练
+#### 模型训练
 ```python
 python train.py --batch_size 8 --step 8 --learning_rate 0.01 --num_epochs 100 -output_size (480, 480)
 ```
 
-##### 模型预测
+#### 模型预测
 ```python
 python predict.py --image_path './test/img' --step 8 --output_size (480, 480) --output_dir './test/out'
 ```
-#### 模型细节
+### 模型细节
 + 对模型中的如下模块进行了替换
   + Conv2D $\rightarrow$ LayerWiseConvModule
   + Linear $\rightarrow$ LayerWiseLinearModule
   + BatchNorm $\rightarrow$ TEP
 + 对模型使用不同种类神经元类型进行了实验
   + BiasLIFNode $\rightarrow$ DoubleSidePLIFNode（通过将初始x与avgpool(x)统一维度后做差完成正负脉冲的实现）
-#### 实验效果展示
-
-#### 成员分工
+### 实验效果展示
+#### 第一阶段
++ 我们在nminst数据集上训练20个epoch后的结果
+<img width="503" alt="94d9608c9238ed6bfae8465e9da21d9" src="https://github.com/yahuiwei123/segment_snn/assets/84215971/99bc2e72-d151-4a2b-bdce-2b81c9982185">
+#### 第二阶段
+### 成员分工