Grapy ML下載 - Grapy ML源代碼下載

Grapy ML

其他源碼

下載

Grapy-ML：跨數據庫人解析的圖形金字塔相互學習

該存儲庫包含AAAI2020口頭紙的Pytorch源代碼：Grapy-Ml：Haoyu He，Jing Zhang，Qiming Zhang和Dacheng Tao的跨數據庫的圖形金字塔相互學習。

grapy-ml：

GPM

入門：

環境：

pytorch = 1.1.0
火炬
Scipy
TensorboardX
numpy
Opencv-Python
matplotlib

數據準備：

您需要下載三個數據集。 CIHP數據集和ATR數據集可以在此存儲庫中找到，我們的代碼也大量借用。

然後，應將數據集排列在以下文件夾中，並應使用提供的文件結構重新排列圖像。

 /data/dataset/

測試：

此處提供了預認識的模型和一些訓練有素的模型進行測試和培訓。

模型名稱	描述	來自
deeplab_v3plus_v3.pth	DeepLab V3+的預處理重量
cihp_pretrain.pth	在CIHP數據集上訓練的複制DeepLab V3+模型	deeplab_v3plus_v3.pth
CIHP_TRAIND.PTH	在CIHP數據集上培訓的GPM型號	cihp_pretrain.pth
deeplab_multi-dataset.pth	在CIHP，Pascal-Part和ATR數據集上訓練的複制多任務DeepLab V3+模型	deeplab_v3plus_v3.pth
gpm-ml_multi-dataset.pth	在CIHP，Pascal-Part和ATR數據集上培訓的GRAPY-ML模型	deeplab_multi-dataset.pth
gpm-ml_finetune_pascal.pth	在Pascal-Part Part數據集上進行的GRAPY-ML模型	gpm-ml_multi-dataset.pth

要測試，請運行以下兩個腳本：

 bash eval_gpm.sh
bash eval_gpm_ml.sh

訓練：

GPM：

在培訓期間，您首先需要在每個數據集上獲取DeepLab預處理模型（例如CIHP_DLAB.PTH）。此類法案旨在為GPM的GSA操作提供值得信賴的初始原始結果。

 bash train_dlab.sh

下表提供了ImageNet預處理模型，您應該將數據集名稱和目標類別分配給腳本中所需的數據集。（CIHP：20堂課，Pascal：7級和ATR：18級）

在下一步中，您應該利用DeepLab預處理模型進一步訓練GPM模型。

 bash train_gpm.sh

建議在我們的論文中遵循培訓設置以重現結果。

GPM-ML：

首先，您可以通過以下腳本進行DeepLab預處理過程：

 bash train_dlab_ml.sh

多數據集DeepLab V3+被轉換為簡單的多任務任務。

然後，您可以通過以下三個數據集的培訓集訓練GPM-ML模型：

 bash train_gpm_ml_all.sh

在此階段之後，GPM-ML模型的前兩個級別將更加健壯和廣泛。

最後，您可以嘗試通過統一的預處理模型在每個數據集上進行填補。

 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}
}