ENet Real Time Semantic Segmentation

ENet - การแบ่งส่วนความหมายแบบเรียลไทม์

สถาปัตยกรรม Neural Net สำหรับการแบ่งส่วนความหมายแบบเรียลไทม์
ในพื้นที่เก็บข้อมูลนี้ เราได้ทำซ้ำ ENet Paper - ซึ่งสามารถใช้กับอุปกรณ์เคลื่อนที่สำหรับการแบ่งส่วนความหมายแบบเรียลไทม์ ลิงก์ไปยังบทความนี้สามารถพบได้ที่นี่: ENet

วิธีการใช้งาน?

0. ที่เก็บนี้มาพร้อมกับสมุดบันทึกแสนสะดวกซึ่งใช้กับ Colab ได้
   คุณสามารถดูลิงก์ไปยังสมุดบันทึกได้ที่นี่: ENet - การแบ่งส่วนความหมายแบบเรียลไทม์
   เปิดใน colab: เปิดใน Colab

---

0. โคลนพื้นที่เก็บข้อมูลและซีดีลงไป

 git clone https://github.com/iArunava/ENet-Real-Time-Semantic-Segmentation.git
cd ENet-Real-Time-Semantic-Segmentation/

1. ใช้คำสั่งนี้เพื่อฝึกโมเดล

 python3 init.py --mode train -iptr path/to/train/input/set/ -lptr /path/to/label/set/

2. ใช้คำสั่งนี้เพื่อทดสอบโมเดล

 python3 init.py --mode test -m /path/to/the/pretrained/model.pth -i /path/to/image/to/infer.png

3. ใช้ --help เพื่อรับคำสั่งเพิ่มเติม

 python3 init.py --help

ผลลัพธ์บางอย่าง

อ้างอิง

1. A. Paszke, A. Chaurasia, S. Kim และ E. Culurciello Enet: สถาปัตยกรรมเครือข่ายประสาทเชิงลึกสำหรับการแบ่งส่วนความหมายแบบเรียลไทม์ arXiv พิมพ์ล่วงหน้า arXiv:1606.02147, 2016

การอ้างอิง

 @inproceedings{ BrostowSFC:ECCV08,
  author    = {Gabriel J. Brostow and Jamie Shotton and Julien Fauqueur and Roberto Cipolla},
  title     = {Segmentation and Recognition Using Structure from Motion Point Clouds},
  booktitle = {ECCV (1)},
  year      = {2008},
  pages     = {44-57}
}

@article{ BrostowFC:PRL2008,
    author = "Gabriel J. Brostow and Julien Fauqueur and Roberto Cipolla",
    title = "Semantic Object Classes in Video: A High-Definition Ground Truth Database",
    journal = "Pattern Recognition Letters",
    volume = "xx",
    number = "x",   
    pages = "xx-xx",
    year = "2008"
}

ใบอนุญาต

โค้ดในพื้นที่เก็บข้อมูลนี้เผยแพร่ภายใต้ BSD v3 Licemse
รู้สึกอิสระที่จะแยกและเพลิดเพลิน :)