พื้นที่เก็บข้อมูลนี้มีซอร์สโค้ด Pytorch สำหรับ AAAI2020 ในช่องปากกระดาษ: GRAPY-ML: กราฟพีระมิดการเรียนรู้ร่วมกันสำหรับการแยกวิเคราะห์มนุษย์ข้ามซองโดย Haoyu HE, Jing Zhang, Qiming Zhang และ Dacheng Tao
pytorch = 1.1.0
คบเพลิง
คนขี้เกียจ
tensorboardx
นม
opencv-python
matplotlib
คุณต้องดาวน์โหลดชุดข้อมูลสามชุด ชุดข้อมูล CIHP และชุดข้อมูล ATR สามารถพบได้ในที่เก็บนี้และรหัสของเราได้รับการยืมอย่างหนักจากมันเช่นกัน
จากนั้นควรจัดชุดข้อมูลในโฟลเดอร์ต่อไปนี้และควรจัดเรียงรูปภาพใหม่ด้วยโครงสร้างไฟล์ที่ให้ไว้
/data/dataset/
แบบจำลอง pretrain และโมเดลที่ผ่านการฝึกอบรมบางอย่างมีให้ที่นี่สำหรับการทดสอบและการฝึกอบรม
| ชื่อนางแบบ | คำอธิบาย | ได้มาจาก |
|---|---|---|
| deeplab_v3plus_v3.pth | น้ำหนัก pretrain ของ deeplab v3+ | |
| cihp_pretrain.pth | โมเดล Deeplab V3+ ที่ได้รับการฝึกฝนบนชุดข้อมูล CIHP | deeplab_v3plus_v3.pth |
| cihp_trained.pth | รุ่น GPM ที่ผ่านการฝึกอบรมเกี่ยวกับชุดข้อมูล CIHP | cihp_pretrain.pth |
| deeplab_multi-dataset.pth | โมเดลการเรียนรู้แบบหลายงานที่ทำซ้ำ Deeplab V3+ ได้รับการฝึกฝนเกี่ยวกับชุดข้อมูล CIHP, Pascal-Person-Part และ ATR | deeplab_v3plus_v3.pth |
| gpm-ml_multi-dataset.pth | แบบจำลอง GRAPY-ML ที่ผ่านการฝึกอบรมเกี่ยวกับชุดข้อมูล CIHP, Pascal-Person-Part และ ATR | deeplab_multi-dataset.pth |
| gpm-ml_finetune_pascal.pth | GRAPY-ML Model Finetuned บนชุดข้อมูล Pascal-Person-Parts | gpm-ml_multi-dataset.pth |
ในการทดสอบเรียกใช้สคริปต์สองรายการต่อไปนี้:
bash eval_gpm.sh
bash eval_gpm_ml.sh
ในระหว่างการฝึกอบรมคุณต้องได้รับแบบจำลอง deeplab pretrain (เช่น cihp_dlab.pth) ในแต่ละชุดข้อมูล การกระทำดังกล่าวมีวัตถุประสงค์เพื่อให้ผลลัพธ์ดิบเริ่มต้นที่น่าเชื่อถือสำหรับการดำเนินการ GSA ใน GPM
bash train_dlab.sh
โมเดล Imagenet pretrain มีให้ในตารางต่อไปนี้และคุณควรใช้ชื่อชุดข้อมูลและคลาสเป้าหมายไปยังชุดข้อมูลที่คุณต้องการในสคริปต์ (CIHP: 20 คลาส Pascal: 7 คลาสและ ATR: 18 คลาส)
ในขั้นตอนต่อไปคุณควรใช้โมเดล Deeplab Pretrain เพื่อฝึกอบรมรุ่น GPM ต่อไป
bash train_gpm.sh
ขอแนะนำให้ติดตามการตั้งค่าการฝึกอบรมในบทความของเราเพื่อทำซ้ำผลลัพธ์
ประการแรกคุณสามารถดำเนินกระบวนการ deeplab pretrain ได้โดยสคริปต์ต่อไปนี้:
bash train_dlab_ml.sh
Deeplab V3+ แบบหลายส่วนถูกเปลี่ยนเป็นงานหลายภารกิจแบบง่าย ๆ
จากนั้นคุณสามารถฝึกอบรมโมเดล GPM-ML ด้วยชุดฝึกอบรมจากชุดข้อมูลทั้งสามชุดโดย:
bash train_gpm_ml_all.sh
หลังจากขั้นตอนนี้สองระดับแรกของโมเดล GPM-ML จะมีความแข็งแกร่งและทั่วไปมากขึ้น
ในที่สุดคุณสามารถลอง finetune ในแต่ละชุดข้อมูลโดยโมเดล pretrain แบบครบวงจร
bash train_gpm_ml_pascal.sh
@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}
}
