Pytorch_复现DHSNet过程、问题记录

本文记录了作者在2019年复现DHSNet(Deep Hierarchical Saliency Network)的过程,包括数据集准备、PyTorch构建网络、计算MAE和F-Measure等。作者遇到并解决了vgg16_bn输出尺寸、全连接层设计等问题,并实现了RCL(Recurrent Convolutional Layers)。通过分阶段训练,最终在测试集上达到了约0.8的F-measure。
摘要由CSDN通过智能技术生成

Salient object detection 显著性目标检测
2019.3.11~3.22 期间复现DHSNet
由于是第一次复现显著性目标检测算法,有很多东西需要边学边写,且中间尝试了Encoder_Decoder模型并且进行了训练,所以用了将近两周,时间比较长,过程、工作、问题记录如下。

一、论文

论文标题:DHSNet: Deep Hierarchical Saliency Network for Salient Object Detection
论文链接:http://xueshu.baidu.com/usercenter/paper/show?paperid=82824289b92ac32d34f059e3125212b4&site=xueshu_se
发表在2016年的CVPR上

二、Dataset

1.下载显著性目标检测常用的几个数据集:

DUT-OMRON
MSRA10K
ECSSD
PASCAL-S
HKU-IS

2.构建用于训练DHSNet的数据集

论文中使用的训练集组成如下:

We randomly selected 6,000 images from MSRA10K dataset and 3,500 images from DUT-OMRON dataset as the training set, and another 800 images from MSRA10K and 468 images from DUT-OMRON as the validation set.

写python脚本实现数据集的构建,分别对DUT-OMRON和MSRA10K做如下操作:

1.生成范围在[0, 单个数据集样本数]之间的不重复随机数作为图片编号,用random.sample()实现
2
  • 2
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 5
    评论

“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 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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