AdaptSegNet下載 - AdaptSegNet源代碼下載

AdaptSegNet

Python

1.0.0

下載

學習適應結構化的輸出空間以進行語義分割

Pytorch實現了我們的方法，用於調整從合成數據集（源域）到真實數據集（目標域）的語義分割方法。基於此實施，我們的結果在Visda挑戰中排名第三。

聯繫人：yi-hsuan tsai（gmail dot com的Wasidennis）和wei-chih Hung（ucmerced dot edu的Whung8）

紙

學習適應結構化的輸出空間以進行語義分割
Yi-Hsuan Tsai*，Wei-Chih Hung*，Samuel Schulter，Kihyuk Sohn，Ming-Hsuan Yang和Manmohan Chandraker
IEEE計算機視覺和模式識別會議（CVPR），2018年（聚光燈）（*表示同等的貢獻）。

如果您覺得這對您的研究有用，請引用我們的論文。

 @inproceedings{Tsai_adaptseg_2018,
  author = {Y.-H. Tsai and W.-C. Hung and S. Schulter and K. Sohn and M.-H. Yang and M. Chandraker},
  booktitle = {IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  title = {Learning to Adapt Structured Output Space for Semantic Segmentation},
  year = {2018}
}

示例結果

定量reuslts

安裝

使用python 2和cuda 8.0安裝http://pytorch.org的pytorch
新添加LS-GAN目標以提高性能
- 用法：添加--gan LS在培訓期間選項（有關更多詳細信息，請參見下文）
Pytorch 0.4，帶Python 3和Cuda 8.0
- 用法：用pytorch_0.4文件夾中的培訓和評估代碼替換培訓和評估代碼
- 更新：通過在命令中添加--tensorboard提供張板
- 注意：單層模型按預期工作，而多級模型則需要較小的權重，例如--lambda-adv-target1 0.00005 --lambda-adv-target2 0.0005 。我們將盡快調查這個問題。
克隆這個倉庫

 git clone https://github.com/wasidennis/AdaptSegNet
cd AdaptSegNet

數據集

下載GTA5數據集作為源域，然後將其放入data/GTA5文件夾中
下載CityScapes數據集作為目標域，然後將其放入data/Cityscapes文件夾中

預訓練的模型

請在此處的三個基准設置上使用Resnet-101找到我們的型號
它們包括基線（沒有適應和特徵適應）和我們的模型（單層和多層次）

測試

使用LS-GAN和使用Synscapes作為源域的新更新結果
- 性能：檢查已更新的Arxiv紙的附錄（2019年10月17日更新）
- 預訓練的模型
下載預先訓練的多級GTA5-TO-CITYSCAPES模型，然後將其放入model文件夾中
測試模型和結果將保存在result文件夾中

 python evaluate_cityscapes.py --restore-from ./model/GTA2Cityscapes_multi-ed35151c.pth

或者，測試基於VGG-16的模型鏈接

 python evaluate_cityscapes.py --model DeeplabVGG --restore-from ./model/GTA2Cityscapes_vgg-ac4ac9f6.pth

計算城市景觀的iou（這要歸功於Visda Challenge的代碼）

 python compute_iou.py ./data/Cityscapes/data/gtFine/val result/cityscapes

培訓例子

新火車GTA5-TO-CITYSCAPES模型（帶LS-GAN的單層）

 python train_gta2cityscapes_multi.py --snapshot-dir ./snapshots/GTA2Cityscapes_single_lsgan 
                                     --lambda-seg 0.0 
                                     --lambda-adv-target1 0.0 --lambda-adv-target2 0.01 
                                     --gan LS

訓練GTA5-TO-CITYSCAPES模型（多層）

 python train_gta2cityscapes_multi.py --snapshot-dir ./snapshots/GTA2Cityscapes_multi 
                                     --lambda-seg 0.1 
                                     --lambda-adv-target1 0.0002 --lambda-adv-target2 0.001

訓練GTA5-TO-CITYSCAPES模型（單層）

 python train_gta2cityscapes_multi.py --snapshot-dir ./snapshots/GTA2Cityscapes_single 
                                     --lambda-seg 0.0 
                                     --lambda-adv-target1 0.0 --lambda-adv-target2 0.001