前情提要
省流小助手
这里主要复现了一位博士的工作。
投影补偿是我们实验室项目里的一块内容,课题组是使用传统算法“专款专用”的。但是想说如果结合机器学习、深度学习来做,或许扩展性和泛化效果都会更好。不求结果,也算是一个了解类似工作的实战契机。
环境
- win 10 with GPU (>3.5)
- VS 2019
- CUDA 10.2 + cuDNN
- pytorch(conda env)python=3.6
- opencv-python=3.4.4.19
pip install opencv-python==3.4.4.19
- visdom
pip install visdom
——– 2020-11-13 update
- Linux
- 学校科研平台
- torch -> ‘1.6.0.dev20200609+cu101’
- torchvision -> ‘0.7.0.dev20200609+cu101’
- nvcc -> Cuda compilation tools, release 10.1, V10.1.243
- visdom
- opencv-python==3.4.4.19
data
11G
提取到 data/
GPU
-
自己电脑 -> 显卡算力不够。
-
师哥电脑 -> 轮流使用时间太极端。
-
科研平台 -> 挺好,还能远程连接;就是GPU需要排队。
步骤
- github代码
- 数据
- visdom可视化
- 应用至本地设置(todo)
1. repo
git clone https://github.com/BingyaoHuang/CompenNeSt-plusplus
cd CompenNeSt-plusplus
data:ConpenNet++ dataset
2. src/python
- CompenNeStPlusPlusDataset.py -> dataset for data loader
- ImgProc.py -> find the projector FOV mask for CompenNet++/CompenNeSt++
- Models.py -> CNN models
- python_tps.py -> Evaluate the thin-plate-spline (TPS) surface at xy locations arranged in a grid
- train_compenNeSt_with_SL.py ->
- train_compenNeSt++.py -> Training and testing script for CompenNeSt++.
- train_pre-trained_compenNeSt++.py -> Training and testing script for pre-trained CompenNeSt++; 使用这个只需要8张训练图片。
- trainNetwork.py -> CompenNeSt++ training functions
- utils.py -> Useful helper functions