CascadePSP
v1.0
Ho Kei Cheng*, Jihoon Chung*, Yu-Wing Tai, Chi-keung Tang
[arxiv] [PDF]
[ข้อมูลเพิ่มเติม (เปรียบเทียบกับ Densecrf รวมอยู่ด้วย!)]]
[ผลลัพธ์ภาพเพิ่มเติม]
Cascadepsp เป็นรูปแบบการเรียนรู้อย่างลึกซึ้งสำหรับการปรับแต่งการแบ่งส่วนความละเอียดสูง ที่เก็บนี้มีการใช้งาน Pytorch ของเราทั้งการฝึกอบรมและการทดสอบฟังก์ชันการทำงาน นอกจากนี้เรายังจัดเตรียมชุดข้อมูล UHD ที่มีคำอธิบายประกอบ ขนาดใหญ่ และโมเดลที่ผ่านการฝึกอบรม
นี่คือผลการปรับแต่งบางส่วนของภาพความละเอียดสูง 
ทดสอบกับ Pytorch 1.0 - แม้ว่ารุ่นที่สูงกว่าจะทำงานได้เช่นกัน
ตรวจสอบโฟลเดอร์นี้ เราได้สร้างแพ็คเกจ PIP ที่สามารถปรับแต่งภาพอินพุตด้วยรหัสสองบรรทัด
ติดตั้ง
pip install segmentation-refinementการสาธิตรหัส:
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 ()| ขั้นตอนทั่วโลก | ขั้นตอนท้องถิ่น |
|---|---|
 |  |
วิ่ง:
ดาวน์โหลด:
| ภาพ | หน้ากากดั้งเดิม | หน้ากากกลั่น |
|---|---|---|
 |  |  |
 |  |  |
 |  |  |
แถวแรกคือกรณีความล้มเหลว (ดูคอ)
การใช้งาน PSPNET: https://github.com/lextal/pspnet-pytorch
การใช้งาน SyncBn: https://github.com/vacancy/synchronized-batchnorm-pytorch
หากคุณพบว่างานของเรามีประโยชน์ในการวิจัยของคุณโปรดอ้างอิงสิ่งต่อไปนี้:
@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 }
}
