CascadePSP
v1.0
Ho Kei Cheng*، Jihoon Chung*، Yu-Wing Tai ، Chi-Keung Tang
[Arxiv] [PDF]
[المعلومات التكميلية (مقارنات مع Densecrf المشمولة!)]
[نتائج الصورة التكميلية]
CascAdePSP هو نموذج تعلم عميق لتحسين تجزئة عالية الدقة. يحتوي هذا المستودع على تطبيق Pytorch لدينا مع كل من وظائف التدريب والاختبار. نحن نقدم أيضًا مجموعة بيانات UHD المشروحة الكبيرة والنموذج المسبق.
فيما يلي بعض نتائج التحسين على الصور عالية الدقة. 
تم اختباره على Pytorch 1.0 - على الرغم من أن الإصدارات الأعلى من المحتمل أن تعمل من أجل الاستدلال أيضًا.
تحقق من هذا المجلد. لقد قمنا ببناء حزمة PIP التي يمكنها تحسين صورة الإدخال مع سطرين من التعليمات البرمجية.
تثبيت مع
pip install segmentation-refinementرمز العرض التوضيحي:
import cv2
import time
import matplotlib . pyplot as plt
import segmentation_refinement as refine
image = cv2 . imread ( 'test/aeroplane.jpg' )
mask = cv2 . imread ( 'test/aeroplane.png' , cv2 . IMREAD_GRAYSCALE )
# model_path can also be specified here
# This step takes some time to load the model
refiner = refine . Refiner ( device = 'cuda:0' ) # device can also be 'cpu'
# Fast - Global step only.
# Smaller L -> Less memory usage; faster in fast mode.
output = refiner . refine ( image , mask , fast = False , L = 900 )
# this line to save output
cv2 . imwrite ( 'output.png' , output )
plt . imshow ( output )
plt . show ()| خطوة عالمية | خطوة محلية |
|---|---|
 |  |
جري:
التنزيلات:
| صورة | القناع الأصلي | القناع المكرر |
|---|---|---|
 |  |  |
 |  |  |
 |  |  |
الصف الأول هو حالة الفشل (انظر الرقبة).
تنفيذ PSPNET: https://github.com/lextal/pspnet-pytorch
تنفيذ Syncbn: https://github.com/vacancy/synchronized-batchnorm-pytorch
إذا وجدت عملنا مفيدًا في بحثك ، فيرجى الاستشهاد بما يلي:
@inproceedings { cheng2020cascadepsp ,
title = { {CascadePSP}: Toward Class-Agnostic and Very High-Resolution Segmentation via Global and Local Refinement } ,
author = { Cheng, Ho Kei and Chung, Jihoon and Tai, Yu-Wing and Tang, Chi-Keung } ,
booktitle = { CVPR } ,
year = { 2020 }
}
