Efficient Segmentation Networks

เครือข่ายการแบ่งส่วนที่มีประสิทธิภาพ

โครงการนี้มีจุดมุ่งหมายเพื่อให้การใช้งานอ้างอิงที่ง่ายต่อการใช้งานง่ายและแก้ไขได้สำหรับแบบจำลองการแบ่งส่วนความหมายแบบเรียลไทม์โดยใช้ Pytorch

-

สารบัญ:

• ความต้องการ
• แบบจำลอง
• การตั้งค่าชุดข้อมูล
• การใช้งาน
• ติดต่อ

ความต้องการ

ต้องติดตั้ง Pytorch และ Torchvision ก่อนที่จะเรียกใช้สคริปต์ Pytorch v1.1 หรือใหม่กว่านั้นรองรับ

pip3 install -r requirements.txt

แบบจำลอง

โครงการสนับสนุนรูปแบบการแบ่งส่วนความหมายเหล่านี้ดังนี้:

• ( SQNET ) เร่งการแบ่งส่วนความหมายสำหรับการขับขี่แบบอิสระ [กระดาษ]
• ( LinkNet ) การใช้ประโยชน์จากการเป็นตัวแทนของตัวเข้ารหัสสำหรับการแบ่งส่วนความหมายที่มีประสิทธิภาพ [กระดาษ]
• ( SEGNET ) สถาปัตยกรรมเครื่องเข้ารหัส DECODER DEANDINGE
• ( UNET ) เครือข่าย convolutional สำหรับการแบ่งส่วนภาพชีวการแพทย์ [กระดาษ]
• ( ENET ) สถาปัตยกรรมเครือข่ายประสาทลึกสำหรับการแบ่งส่วนความหมายแบบเรียลไทม์ [กระดาษ]
• ( ERFNET ) Convnet ที่มีประสิทธิภาพสำหรับการแบ่งส่วนความหมายแบบเรียลไทม์ [PAPER]
• ( edanet ) โมดูลหนาแน่นที่มีประสิทธิภาพของการควบคุมแบบอสมมาตรสำหรับการแบ่งส่วนแบบเรียลไทม์ [กระดาษ]
• ( ESPNET ) ปิรามิดเชิงพื้นที่ที่มีประสิทธิภาพของ convolutions ขยายสำหรับการแบ่งส่วนความหมาย [กระดาษ]
• ( ESPNETV2 ) น้ำหนักเบาประสิทธิภาพพลังงานและจุดประสงค์ทั่วไป Convnet [PAPER]
• ( LEDNET ) เครือข่ายตัวเข้ารหัสน้ำหนักเบาสำหรับการแบ่งส่วนความหมายแบบเรียลไทม์ [กระดาษ]
• ( FSSNET ) การแบ่งส่วนความหมายอย่างรวดเร็วสำหรับการรับรู้ฉาก [กระดาษ]
• ( ESNET ) เครือข่ายสมมาตรที่มีประสิทธิภาพสำหรับการแบ่งส่วนความหมายแบบเรียลไทม์ [กระดาษ]
• ( CGNET ) เครือข่ายนำทางบริบทน้ำหนักเบาสำหรับการแบ่งส่วนความหมาย [กระดาษ]
• ( Fast-SCNN ) เครือข่ายการแบ่งส่วนความหมายที่รวดเร็ว [กระดาษ]
• ( DABNET ) คอขวดแบบอสมมาตรเชิงลึกที่ชาญฉลาดสำหรับการแบ่งส่วนความหมายแบบเรียลไทม์ [กระดาษ]
• ( ContextNet ) การสำรวจบริบทและรายละเอียดสำหรับการแบ่งส่วนความหมายแบบเรียลไทม์ [กระดาษ]
• ( FPENET ) คุณสมบัติเครือข่ายการเข้ารหัสพีระมิดสำหรับการแบ่งส่วนความหมายแบบเรียลไทม์ [กระดาษ]
• -

การสูญเสีย

โครงการสนับสนุนฟังก์ชั่นการสูญเสียเหล่านี้:

1. เอนโทรปีข้ามถ่วงน้ำหนัก
2. เอนโทรปีข้ามถ่วงน้ำหนักพร้อมฉลากเรียบ
3. การสูญเสียโฟกัส
4. Oheem Cross Entropy
5. Lovaszsoftmax
6. รายการ Segloss
7. -

Optimizers

โครงการรองรับการเพิ่มประสิทธิภาพเหล่านี้:

1. SGD
2. อดัม
3. อดัม
4. รัศมี
5. radam + lookahead
6. -

การเปิดใช้งาน

1. เพลง
2. prelu
3. Relu6
4. หวด
5. Mish: ฟังก์ชั่นการเปิดใช้งานระบบประสาทที่ไม่ใช่โมโนโทนิก
6. -

ตัวกำหนดตารางเวลาการเรียนรู้

โครงการสนับสนุน LR_SCHEDULERS เหล่านี้:

1. การสลายตัวของโพลี
2. อุ่นเครื่องโพลี
3. -

วิธีการทำให้เป็นมาตรฐาน

1. batchnorm ที่เปิดใช้งานในสถานที่
2. การทำให้เป็นมาตรฐานแบบสลับได้
3. มาตรฐานน้ำหนัก
4. -

เพิ่มวิธีการเรียนรู้คุณสมบัติความหมาย

1. ครอบครัวให้ความสนใจ
2. ครอบครัว NAS
3. -

เครื่องมือที่มีประโยชน์บางอย่าง

1. pytorch-opcounter
2. flops-counter.pytorch
3. Netron: Visualizer สำหรับโมเดลเครือข่ายประสาท, On Line URL: Netron
4. Falshtorch: ชุดเครื่องมือสร้างภาพสำหรับเครือข่ายประสาทใน Pytorch!
5. กระเป๋าของเคล็ดลับสำหรับการจำแนกภาพด้วยเครือข่ายประสาท convolutional
6. -

การตั้งค่าชุดข้อมูล

โครงการนี้ได้รับการปรับแต่งให้เหมาะกับชุดข้อมูลของเมืองและชุดข้อมูล CAMVID รอยพับของชุดข้อมูลของคุณจำเป็นต้องเป็นไปตามโครงสร้างต่อไปนี้:

 |-- dataset
|  |-- camvid
|  |  |-- train
|  |  |-- trainannot
|  |  |-- val
|  |  |-- valannot
|  |  |-- test
|  |  |-- testannot
|  |  |-- ...
|  |-- cityscapes
|  |  |-- leftImg8bit
|  |  |  |-- train
|  |  |  |-- val
|  |  |  |-- test
|  |  |-- gtFine
|  |  |  |-- train
|  |  |  |-- val
|  |  |  |-- test
|  |  |-- ...

• คุณสามารถดาวน์โหลดชุดข้อมูล CityScapes ได้จากที่นี่ หมายเหตุ: โปรดดาวน์โหลด leftimg8bit_trainvaltest.zip (11GB) และ gtfine_trainvaltest (241MB)
• คุณสามารถดาวน์โหลดชุดข้อมูล CamVID ได้จากที่นี่
• สคริปต์ชุดข้อมูล CityScapes สำหรับการตรวจสอบการเตรียมการและการประเมินผลสามารถดาวน์โหลดได้จากที่นี่

การใช้งาน

โคลน repo นี้

 git clone https://github.com/xiaoyufenfei/Efficient-Segmentation-Networks
cd Efficient-Segmentation-Networks

ปัจจุบันรหัสรองรับ Python 3

การพึ่งพาคบเพลิง:

• Pytorch (> = 1.1.0)
• Torchvision (> = 0.3.0)

การพึ่งพาข้อมูล:

• CityScapes + สคริปต์

ดาวน์โหลด CityScapes และเรียกใช้ Script createTrainIdLabelImgs.py เพื่อสร้างคำอธิบายประกอบตามฉลากการฝึกอบรม ตรวจสอบให้แน่ใจว่าโฟลเดอร์ชื่อ CityScapes

การฝึกอบรม

• สำหรับทิวทัศน์ของเมือง / Camvid

1. การฝึกอบรมเกี่ยวกับชุด รถไฟ

 python train.py  --help

2. การฝึกอบรมเกี่ยวกับชุด รถไฟ+วาล

 python train.py --help

การทดสอบ

• สำหรับทิวทัศน์ของเมือง / Camvid

 python test.py --help

การทำนาย

• สำหรับทิวทัศน์เมือง

 python predict.py --help

การประเมิน

• สำหรับทิวทัศน์เมือง

 cd tools
python trainID2labelID.py 

ติดต่อ

หากคุณคิดว่างานนี้มีประโยชน์โปรดให้ดาราฉัน! และหากคุณพบข้อผิดพลาดหรือมีข้อเสนอแนะใด ๆ โปรดติดต่อฉัน

GitHub: xiaoyufenfei อีเมล: [email protected]

อ้างถึงตัวแทนนี้

คุณได้รับการสนับสนุนให้อ้างอิงเอกสารต่อไปนี้หากงานนี้ช่วยวิจัยของคุณ

@misc{Efficient-Segmentation-Networks,
  author = {Yu Wang},
  title = {Efficient-Segmentation-Networks Pytorch Implementation},
  year = {2019},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = { u rl{https://github.com/xiaoyufenfei/Efficient-Segmentation-Networks}},
  commit = {master}
}

ใบอนุญาต

โครงการนี้เปิดตัวภายใต้ใบอนุญาต MIT ดูใบอนุญาตสำหรับรายละเอียดเพิ่มเติม