CascadePSP

cascadepsp：通过全球和局部改进迈向类不足和非常高分辨率的细分

Ho Kei Cheng*，Jihoon Chung*，Yu-Wing Tai，Chi-Keung Tang

[arxiv] [PDF]

[补充信息（包括与登录的比较！）]

[补充图像结果]

介绍

Cascadepsp是一种深入学习模型，用于高分辨率分割细化。该存储库包含我们的Pytorch实施，并具有培训和测试功能。我们还提供了带注释的UHD数据集和验证的模型。

以下是高分辨率图像的一些完善结果。

快速开始

在Pytorch 1.0上进行了测试 - 尽管更高版本也可能用于推断。

查看此文件夹。我们已经建立了一个可以使用两行代码来完善输入图像的PIP软件包。

安装

pip install segmentation-refinement

代码演示：

 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 ()

网络概述

全球步骤和本地步骤

全球步骤	本地步骤

改进模块

目录

跑步：

• 安装
• 训练
• 语义细分测试
• 在现场解析测试

下载：

• 预验证的模型
• 大数据集和重新标记的Pascal VOC 2012

更多结果

完善人的面具360万

图像	原始面具	精制面具

第一行是故障情况（请参阅颈部）。

信用

PSPNET实现：https：//github.com/lextal/pspnet-pytorch

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

如果您发现我们的工作对您的研究有用，请引用以下内容：

 @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 }
}