Cross-Domain Adaptive Teacher for Object Detection安装环境以及运行代码

最新推荐文章于 2024-06-18 17:00:07 发布
最新推荐文章于 2024-06-18 17:00:07 发布
阅读量417 收藏 2
点赞数 1
分类专栏： 研一第一个月的磕磕绊绊 文章标签： 目标检测 深度学习 pytorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Rain_FeiFei/article/details/129304145
版权

1.首先在官网上下载代码以及数据集。代码下载如下：

git clone +URL网址
git clone https://github.com/facebookresearch/adaptive_teacher.git

在这里插入图片描述
2.安装环境
这是作者给的readme。
!](https://img-blog.csdnimg.cn/a1d401b6e5794280b8aa65dd80dd1c60.png)
2.1 首先创建环境，这里我创建的python版本为3.7。

conda create -n AT python=3.7

2.2 安装pytorch、torch vision以及detectron2
这里安装v0.6版本的detectron2代码不能运行，于是去安装v0.5版本的detectron2。
在这里插入图片描述
我服务器的cuda是11.6。这里我安装cuda11.0，torch=1.7以及对应版本的torchvison。
在这里插入图片描述

conda install pytorch==1.7.0 torchvision==0.8.0 torchaudio==0.7.0 cudatoolkit=11.0 -c pytorch
Rain_FeiFei
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
论文笔记：CVPR 2022 Cross-Domain Adaptive Teacher for Object Detection
weixin_45836130的博客
09-16 2681
开发可以将从一个标记数据集（即源域）学到的知识转移到另一个未标记的数据集（即目标域）对于对象检测变得越来越重要。研究人员提出了各种方法，例如域分类器和对抗性学习 [10]，以解决对象检测中的跨域自适应任务 [2, 3, 14, 32, 39, 42, 44]。尽管这些方法提高了准确性，但仅在复杂的识别任务（例如对象检测）上使用对抗性学习仍然是有限的。因此，目标域上的 Oracle 模型（完全监督）通常仍然存在很大的性能差距。
2018 Domain Adaptive Faster R-CNN for Object Detection in the Wild.pdf
03-17
目标检测，机器学习
使用自己的数据集测试Unbiased Mean Teacher for Cross-domain Object Detection
weixin_43868032的博客
11-30 1093
使用自己的数据集测试Unbiased Mean Teacher for Cross-domain Object Detection
【论文笔记_目标检测_2022】Cross Domain Object Detection by Target-Perceived Dual Branch Distillation
qq_45128278的博客
06-07 1416
基于目标感知双分支提取的跨域目标检测 在野外，跨领域目标检测是一项现实而具有挑战性的任务。由于数据分布的巨大变化和目标域中缺乏实例级注释，它的性能会下降。现有的方法主要关注这两个困难中的任何一个，即使它们在跨域对象检测中紧密耦合。为了解决这个问题，我们提出了一个新的目标感知双分支蒸馏框架。通过将源领域和目标领域的检测分支集成在一个统一的师生学习方案中，可以减少领域转移并有效地产生可靠的监督。特别地，我们首先在两个域之间引入一个不同的目标提议感知者。通过利用来自迭代交叉注意的目标提议上下文，它可以自适应地增强
Domain adaptive faster-RCNN代码复现笔记
weixin_41652829的博客
03-16 1585
1.NMS代码复现笔记 from __future__ import absolute_import import numpy as np import torch dets = np.array([ [204, 102, 358, 250, 0.5], [257, 118, 380, 250, 0.7], [280, 135, 400, 250, 0.6], [255, 118
cross-domin，Domain adaptation 与 Domain generalization学习
qq_33031419的博客
10-21 1028
cross-domin学习
Rebuild_Strong-Weak-Distribution-Alignment-for-Adaptive-Object-Detection:这是纸的个人重建
03-18
自适应对象检测的Rebuild_Strong-Weak-Distribution-Alignment 这是个人论文的重建<用于自适应对象检测的强弱分布对齐>
参考论文1：SSDA-YOLO: SEMI-SUPERVISED DOMAIN ADAPTIVE YOLO FOR CROSS
06-04
Domain adaptive object detection (DAOD) aims to alleviate transfer performance degradation caused by the cross-domain discrepancy. However, most existing DAOD methods are dominated by outdated and ...
Data-driven subspace-based adaptive fault detection for solar power generation systems
02-09
Data-driven fault detection has emerged as one of the most prevalent topics in the fault diagnosis. In this study, a novel data-driven subspace-based fault-detection scheme is proposed to handle the ...
For Cross-Domain person Re-ID 文献速览
01-07
Instance-Guided Context Rendering for Cross-Domain Person Re-Identification ...Adaptive Transfer Network for Cross-Domain Person Re-Identification 这篇文章的特殊之处在于，是从三个方面进行如下转换，光
CVPR 2021 Object Detection
qq_36846729的博客
04-25 1612
目标检测论文
Domain-adaptive object detection 跨域目标检测
劲草浅躬行
02-19 3393
文章目录1. 整体理解2. 实施细节2.1 DD模块2.2 MRL以及检测模块3. 总结 ##《Diversify and Match: A Domain Adaptive Representation Learning Paradigm for Object Detection》 1. 整体理解 主要就是两个模块，一个是Domain Diversification (DD)，另一个是Multi-domain-invariant Representation Learning (MRL) Domain D
动手学深度学习（Pytorch版）代码实践 -深度学习基础-12Kaggle竞赛：预测房价
最新发布
李思成的博客
06-18 130
【代码】动手学深度学习（Pytorch版）代码实践 -深度学习基础-12Kaggle竞赛：预测房价。
gcn+tcn+transformer入侵检测
q742971636的博客
06-15 1013
的公式实际上是图卷积网络（GCN）层的核心操作。
动手学深度学习（Pytorch版）代码实践 -深度学习基础-04图片分类数据集
李思成的博客
06-18 135
【代码】动手学深度学习（Pytorch版）代码实践 -深度学习基础-04图片分类数据集。
动手学深度学习（Pytorch版）代码实践 -深度学习基础-05Softmax回归基础版
李思成的博客
06-18 128
【代码】动手学深度学习（Pytorch版）代码实践 -深度学习基础-05Softmax回归基础版。
CNN学习（7）：用C++实现简单不同参数的卷积模型
共同学习，共同进步。
06-15 952
几类简单的卷积操作及可执行程序。
基于机器学习和深度学习的C-MAPSS涡扇发动机剩余寿命RUL预测（Python，Jupyter Notebook环境）
weixin_39402231的博客
06-15 655
基于机器学习和深度学习的C-MAPSS涡扇发动机剩余寿命RUL预测（Python，Jupyter Notebook环境）
domain adaptive faster r-cnn for object detection in the wild
03-16
"Domain Adaptive Faster R-CNN for Object Detection in the Wild" 是一篇关于目标检测的论文，提出了一种适用于现实场景中的目标检测模型。论文的主要贡献是设计了一个域自适应的 Faster R-CNN 模型，可以在不同的...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值