Grapy ML

GRAPY-ML: Графическая пирамида взаимное обучение для перекрестного анализа человека

Этот репозиторий содержит исходный код Pytorch для пероральной бумаги AAAI2020: GRAPY-ML: Графическая пирамида взаимное обучение для перекрестного разбора человека HAOYU HE, Jing Zhang, Qiming Zhang и Dacheng Tao.

---

GRAPY-ML:

---

Начиная:

Среда:

• Pytorch = 1,1,0

• TOCHVISION

• Scipy

• Tensorboardx

• Numpy

• OpenCV-Python

• matplotlib

Подготовка данных:

Вам нужно скачать три набора данных. Набор данных CIHP и набор данных ATR можно найти в этом репозитории, и наш код также в значительной степени заимствован.

Затем наборы данных должны быть организованы в следующей папке, а изображения должны быть перестановлены с предоставленной структурой файла.

 /data/dataset/

Тестирование:

Модели предварительных дородов и некоторые обученные модели представлены здесь для тестирования и обучения.

Название модели	Описание	Получен из
DeepLab_v3plus_v3.pth	Вес на предварительную долю Deeplab V3+
CIHP_PRETRAIN.PTH	Воспроизведенная модель DeepLab V3+, обученная набору данных CIHP	DeepLab_v3plus_v3.pth
CIHP_TRINED.PTH	Модель GPM, обученная набору данных CIHP	CIHP_PRETRAIN.PTH
Deeplab_multi-dataset.pth	Воспроизводимая многозадачная обучение DeepLab V3+ модель, обученная набору данных CIHP, Pascal-Person-Part и ATR	DeepLab_v3plus_v3.pth
Gpm-ml_multi-dataset.pth	Модель GRAPY-ML, обученная набору данных CIHP, Pascal-Person-Part и ATR	Deeplab_multi-dataset.pth
Gpm-ml_finetune_pascal.pth	GRAPY-ML модель, созданная на наборе данных Pascal-Person Part	Gpm-ml_multi-dataset.pth

Чтобы проверить, запустите следующие два сценария:

 bash eval_gpm.sh
bash eval_gpm_ml.sh

Обучение:

GPM:

Во время обучения вам сначала необходимо получить модель предварительного дорода DeepLab (например, CIHP_DLAB.PTH) на каждом наборе данных. Такой акт направлен на обеспечение надежного первоначального необработанного результата для операции GSA в GPM.

 bash train_dlab.sh

Модель Preferain ImageNet представлена ​​в следующей таблице, и вы должны повернуть имя набора данных и целевые классы для набора данных, который вы хотите в скрипте. (CIHP: 20 классов, Pascal: 7 классов и ATR: 18 классов)

На следующем этапе вы должны использовать модель Deeplab предварительной обработки для дальнейшего обучения модели GPM.

 bash train_gpm.sh 

Рекомендуется следовать учебным настройкам в нашей статье, чтобы воспроизвести результаты.

GPM-ML:

Во -первых, вы можете провести процесс предварительной обработки Deeplab по следующему сценарию:

 bash train_dlab_ml.sh

Мульти-датасет Deeplab V3+ преобразуется как простая многозадачная задача.

Затем вы можете обучить модель GPM-ML с учебным набором из всех трех наборов данных с помощью:

 bash train_gpm_ml_all.sh

После этого этапа первые два уровня модели GPM-ML будут более надежными и обобщенными.

Наконец, вы можете попытаться накапливаться на каждом наборе данных с помощью Unified Pretrain Model.

 bash train_gpm_ml_pascal.sh

Цитата:

 @inproceedings{he2020grapy,
title={Grapy-ML: Graph Pyramid Mutual Learning for Cross-dataset Human Parsing},
author={He, Haoyu and Zhang, Jing and Zhang, Qiming and Tao, Dacheng},
booktitle={Proceedings of the AAAI Conference on Artificial Intelligence},
year={2020}
}

Содействие:

[email protected]