Grapy ML下载 - Grapy ML源代码下载

Grapy ML

其他源码

下载

Grapy-ML：跨数据库人解析的图形金字塔相互学习

该存储库包含AAAI2020口头纸的Pytorch源代码：Grapy-Ml：Haoyu He，Jing Zhang，Qiming Zhang和Dacheng Tao的跨数据库的图形金字塔相互学习。

grapy-ml：

GPM

入门：

环境：

pytorch = 1.1.0
火炬
Scipy
TensorboardX
numpy
Opencv-Python
matplotlib

数据准备：

您需要下载三个数据集。 CIHP数据集和ATR数据集可以在此存储库中找到，我们的代码也大量借用。

然后，应将数据集排列在以下文件夹中，并应使用提供的文件结构重新排列图像。

 /data/dataset/

测试：

此处提供了预认识的模型和一些训练有素的模型进行测试和培训。

模型名称	描述	来自
deeplab_v3plus_v3.pth	DeepLab V3+的预处理重量
cihp_pretrain.pth	在CIHP数据集上训练的复制DeepLab V3+模型	deeplab_v3plus_v3.pth
CIHP_TRAIND.PTH	在CIHP数据集上培训的GPM型号	cihp_pretrain.pth
deeplab_multi-dataset.pth	在CIHP，Pascal-Part和ATR数据集上训练的复制多任务DeepLab V3+模型	deeplab_v3plus_v3.pth
gpm-ml_multi-dataset.pth	在CIHP，Pascal-Part-Part和ATR数据集上培训的GRAPY-ML模型	deeplab_multi-dataset.pth
gpm-ml_finetune_pascal.pth	在Pascal-Part Part数据集上进行的GRAPY-ML模型	gpm-ml_multi-dataset.pth

要测试，请运行以下两个脚本：

 bash eval_gpm.sh
bash eval_gpm_ml.sh

训练：

GPM：

在培训期间，您首先需要在每个数据集上获取DeepLab预处理模型（例如CIHP_DLAB.PTH）。此类法案旨在为GPM的GSA操作提供值得信赖的初始原始结果。

 bash train_dlab.sh

下表提供了ImageNet预处理模型，您应该将数据集名称和目标类别分配给脚本中所需的数据集。（CIHP：20堂课，Pascal：7级和ATR：18级）

在下一步中，您应该利用DeepLab预处理模型进一步训练GPM模型。

 bash train_gpm.sh

建议在我们的论文中遵循培训设置以重现结果。

GPM-ML：

首先，您可以通过以下脚本进行DeepLab预处理过程：

 bash train_dlab_ml.sh

多数据集DeepLab V3+被转换为简单的多任务任务。

然后，您可以通过以下三个数据集的培训集训练GPM-ML模型：

 bash train_gpm_ml_all.sh

在此阶段之后，GPM-ML模型的前两个级别将更加健壮和广泛。

最后，您可以尝试通过统一的预处理模型在每个数据集上进行填补。

 bash train_gpm_ml_pascal.sh

引用：

 @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}
}