عنوان: تطبیق تصویر متقابل زبان برای تقسیمبندی معنایی با نظارت ضعیف (CVPR 2022)
لطفاً توجه داشته باشید که این مخزن یک نسخه بهبود یافته از نسخه آماده دوربین ما است (می توانید به دایرکتوری previous_version/ مراجعه کنید). توصیه می کنیم از نسخه بهبودیافته از CLIMS به جای نسخه آماده دوربین استفاده کنید.
مجموعه داده
PASCAL VOC2012
شما باید تصاویر (فرمت JPEG) را در مجموعه داده PASCAL VOC2012 در اینجا دانلود کنید و train_aug ground-truth را می توانید در اینجا پیدا کنید. مطمئن شوید که پوشه data/VOC2012 شما به شکل زیر ساخته شده است:
├── VOC2012/
| ├── Annotations
| ├── ImageSets
| ├── SegmentationClass
| ├── SegmentationClassAug
| └── SegmentationObject
MS-COCO 2014
آموزش
CLIP را نصب کنید.
$ pip install ftfy regex tqdm
$ pip install git+https://github.com/openai/CLIP.git
CAM پایه از پیش آموزش دیده (‘res50_cam.pth’) را از اینجا دانلود کنید و در فهرست راهنمای cam-baseline-voc12/ قرار دهید.
CLIMS را روی مجموعه داده PASCAL V0C2012 آموزش دهید تا CAMهای اولیه تولید شود
CUDA_VISIBLE_DEVICES=0 python run_sample.py --voc12_root /data1/xjheng/dataset/VOC2012/ --hyper 10,24,1,0.2 --clims_num_epoches 15 --cam_eval_thres 0.15 --work_space clims_voc12 --cam_network net.resnet50_clims --train_clims_pass True --make_clims_pass True --eval_cam_pass True
آموزش IRNet و تولید ماسک های معنایی شبه
CUDA_VISIBLE_DEVICES=0 python run_sample.py --voc12_root /data1/xjheng/dataset/VOC2012/ --cam_eval_thres 0.15 --work_space clims_voc12 --cam_network net.resnet50_clims --cam_to_ir_label_pass True --train_irn_pass True --make_sem_seg_pass True --eval_sem_seg_pass True
DeepLabv2 را با استفاده از ماسک های معنایی شبه آموزش دهید. (لطفا به deeplab-pytorch مراجعه کنید)
نتایج ارزیابی
کیفیت دوربین های اولیه و ماسک های کاذب در PASCAL VOC2012.
Method | backbone | CAMs | + RW | + IRNet |
---|---|---|---|---|
CLIMS(camera-ready) | R50 | 56.6 | 70.5 | – |
CLIMS(this repo) | R50 | 58.6 | ~73 | 74.1 |
نتایج ارزیابی در val و مجموعه تست PASCAL VOC2012.
لطفاً نتایج نسخه آماده دوربین را ذکر کنید
Method | Supervision | Network | Pretrained | val | test |
---|---|---|---|---|---|
AdvCAM | I | DeepLabV2 | ImageNet | 68.1 | 68.0 |
EDAM | I+S | DeepLabV2 | COCO | 70.9 | 70.6 |
CLIMS(camera-ready) | I | DeepLabV2 | ImageNet | 69.3 | 68.7 |
CLIMS(camera-ready) | I | DeepLabV2 | COCO | 70.4 | 70.0 |
CLIMS(this repo) | I | DeepLabV2 | ImageNet | 70.3 | 70.6 |
CLIMS(this repo) | I | DeepLabV2 | COCO | 71.4 | 71.2 |
CLIMS(this repo) | I | DeepLabV1-R38 | ImageNet | 73.3 | 73.4 |
(لطفاً نتایج نسخه آماده دوربین را ذکر کنید. CAM های اولیه، ماسک های شبه معنایی و مدل های از پیش آموزش دیده نسخه آماده دوربین را می توانید در اینجا پیدا کنید)
این پروژه شامل فایل مقاله اصلی،دیتاست، فایل کامل شبیه سازی و کد است.
پروژه مشابه دارید؟
برای ثبت سفارش در سیمیا می توانید از طریق اپلیکیشن سیمیا، یا فرم ثبت سفارش در سایت اقدام کرده و یا از طریق ایمیل، واتساپ، تلگرام و اینستاگرام اقدام نمایید.
اپلیکیشن سیمیا را از بازار و مایکت دانلود کنید.
سریع ترین راه پاسخگویی سیمیا، واتساپ می باشد. لینک واتساپ، اینستاگرام و تلگرام در پایین سایت وجود دارد.
نشانی ایمیل سیمیا simiya_ht@yahoo.com می باشد.
از برقراری تماس برای هماهنگی پروژه خودداری کنید، حجم بالای سفارشات به ما اجازه نمی دهد تا از طریق تلفن پاسخگوی شما عزیزان باشیم، حتما درخواست خود را به صورت مکتوب و از طریق یکی از راه های ذکر شده فوق ارسال نمایید، درخواست خود را به طور کامل و با تمام فایل ها و توضیحات لازم ارسال نمایید تا مدت زمان بررسی آن به حداقل برسد. پس از تعیین کارشناس، در اسرع وقت به شما پاسخ می دهیم.
نقد و بررسیها
هیچ دیدگاهی برای این محصول نوشته نشده است.