unsup parts 다운로드 - unsup parts 소스 코드 다운로드

unsup parts

기타 소스코드

다운로드

대조적 인 재구성에서 감독되지 않은 부분 발견

Subhabrata Choudhury, Iro Laina, Christian Rupprecht, Andrea Vedaldi

설정

git clone https://github.com/subhc/unsup-parts.git
cd unsup-parts
conda env create --file environment.yml
conda activate unsup-parts
wget https://www.robots.ox.ac.uk/~vgg/research/unsup-parts/files/checkpoints.tar.gz
tar zxvf checkpoints.tar.gz

이 프로젝트는 시각화를 위해 가중치 및 바이어스를 사용합니다. train.py 에서 wandb_userid 사용자 이름으로 업데이트하십시오.

데이터 준비 :

Cub-200-2011

Cub_200-2011에서 제공 한 링크에서 Cub_200_2011.tgz 및 segmentations.tgz를 다운로드하십시오.
여기에 언급 된 Cachedir.tar.gz를 다운로드하십시오.
내부에 다음 폴더 구조가있는 data 라는 디렉토리를 작성하고 언급 된 위치에서 타르를 추출하십시오.
세분화 네트워크를 훈련하여 테스트 분할을위한 전경 마스크를 예측하거나 사전 계산 된 출력을 다운로드하십시오 : cub_supervisedlabels.tar.gz (17MB).

 data
└── CUB  # extract CUB_200_2011.tgz, cub_supervisedlabels.tar.gz here
    ├── CUB_200_2011 # extract cachedir.tar.gz and segmentations.tgz here       
    │   ├── attributes
    │   ├── cachedir
    │   ├── images
    │   ├── parts
    │   └── segmentations
    └── supervisedlabels

예

mkdir -p data/CUB/
cd data/CUB/
tar zxvf CUB_200_2011.tgz 
tar zxvf cub_supervised_labels.tar.gz 
cd CUB_200_2011
tar zxvf segmentations.tgz
tar zxvf cachedir.tar.gz

심해

아래 폴더 구조로 data 라는 디렉토리를 만듭니다.
DeepFashion 제공 링크에서 세분화 폴더를 다운로드하십시오.
IMG_HIGHRES_SEG.ZIP 내부 segmentation 폴더를 추출하십시오.
세분화 네트워크를 훈련하여 테스트 분할의 전경 마스크를 예측하거나 미리 계산 된 출력을 다운로드하십시오 : DeepFashion_SupervisedLabels.tar.gz (56MB).

 data
└── DeepFashion
    └── In-shop Clothes Retrieval Benchmark  # extract deepfashion_supervisedlabels.tar.gz here
        ├── Anno  
        │   └── segmentation # extract img_highres_seg.zip here
        │       └── img_highres
        │           ├── MEN
        │           └── WOMEN
        └── supervisedlabels
            └── img_highres
                ├── MEN
                └── WOMEN

예

mkdir -p data/DeepFashion/In-shop  Clothes  Retrieval  Benchmark/Anno/
cd data/DeepFashion/In-shop  Clothes  Retrieval  Benchmark/
wget https://www.robots.ox.ac.uk/~vgg/research/unsup-parts/files/deepfashion_supervisedlabels.tar.gz
tar zxvf deepfashion_supervisedlabels.tar.gz
cd Anno
# get the segmentation folder from the google drive link
cd segmentation
unzip img_highres_seg.zip

훈련:

새끼 훈련 :

python train.py dataset_name=CUB

Deepfashion을 훈련시키기 위해 :

python train.py dataset_name=DF

평가:

평가 폴더에서 평가 코드를 찾을 수 있습니다.

사전 상환 중량 :

설명	크기	링크
Cub-200-2011 (PTH)	181MB	여기
Deepfashion (PTH)	181MB	여기
둘 다 (tar.gz)	351MB	여기

pth 파일을 checkpoints/CUB 및 checkpoints/DeepFashion 폴더로 각각 이동하십시오.

추상적인:

^{자기 감독 된 시각적 표현 학습의 목표는 대상이나 장면 수준에 중점을 둔 대부분의 연구와 함께 강력하고 양도 가능한 이미지 표현을 배우는 것입니다. 반면에, 부분 수준에서의 표현 학습은 거의 관심을 받았다. 이 논문에서는 객체 부분 발견 및 세분화에 대한 감독되지 않은 접근법을 제안하고 세 가지 기여를합니다. 먼저, 우리는 모델이 이미지의 의미있는 분해를 부분적으로 배울 수 있도록 장려하는 일련의 목표를 통해 프록시 작업을 구성합니다. 둘째, 사전 작업은 사전 컴퓨팅 된 기능을 부품의 프록시로 재구성하거나 클러스터링하는 것을 주장합니다. 우리는 이것만으로도 의미있는 부분을 찾을 수 없다는 것을 경험적으로 보여줍니다. 주로 해상도가 낮고 분류 네트워크가 정보를 공간적으로 번식시키는 경향이 있기 때문입니다. 우리는 픽셀 수준에서 이미지 재구성 이이 문제를 완화시켜 보완 큐 역할을 할 수 있다고 제안합니다. 마지막으로, 우리는 키패 포인트 회귀 분석을 기반으로 한 표준 평가가 세분화 품질과 잘 어울리지 않으므로 객체의 분해를 부분으로 더 잘 특성화하는 다른 메트릭 인 NMI 및 ARI를 도입 함을 보여줍니다. 우리의 방법은 세밀한 벤치 마크 데이터 세트에서 미세 입자이지만 시각적으로 뚜렷한 범주에 걸쳐 일관된 의미 적 부분을 생성합니다. 코드는 프로젝트 페이지에서 사용할 수 있습니다.}

소환

 @inproceedings{choudhury21unsupervised,
 author = {Subhabrata Choudhury and Iro Laina and Christian Rupprecht and Andrea Vedaldi},
 booktitle = {Proceedings of Advances in Neural Information Processing Systems (NeurIPS)},
 title = {Unsupervised Part Discovery from Contrastive Reconstruction},
 year = {2021}
}