Скачать CascadePSP - скачать исходный код CascadePSP

CascadePSP

Питон

v1.0

Скачать

Cascadepsp: к сегментации с агротом и очень высоким разрешением посредством глобального и локального уточнения

Хо Кей Ченг*, Джихун Чунг*, Ю-Винги Тай, Чи-Кеунг Танг

[arxiv] [pdf]

[Дополнительная информация (сравнение с DenseCrf включена!)]

[Дополнительные результаты изображения]

Введение

Cascadepsp-это модель глубокого обучения для уточнения сегментации высокого разрешения. Этот репозиторий содержит нашу реализацию Pytorch с функциональными возможностями обучения и тестирования. Мы также предоставляем аннотированный набор данных UHD Big и предварительную модель.

Вот некоторые результаты уточнения на изображениях высокого разрешения. тизер

Быстрый старт

Протестировано на Pytorch 1.0 - хотя более высокие версии, вероятно, также будут работать и для вывода.

Проверьте эту папку. Мы создали пакет PIP, который может уточнить входное изображение с двумя строками кода.

Установить с

pip install segmentation-refinement

Демонстрация кода:

 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 ()

Обзор сети

Глобальный шаг и локальный шаг

Глобальный шаг	Местный шаг

Модуль уточнения

Больше результатов

Уточнение масок человека 3,6 млн.

Изображение	Оригинальная маска	Рафинированная маска

Первый ряд - это случай сбоя (см. Шею).

Кредит

Реализация PSPNet: https://github.com/lextal/pspnet-pytorch

Реализация Syncbn: https://github.com/vacancy/synchronized-batchnorm-pytorch

Если вы найдете нашу работу полезной в своем исследовании, пожалуйста, укажите следующее:

 @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 }
}