（转）解决复现变化检测网络STANet网络报错问题

原文章：https://blog.csdn.net/littleyy666/article/details/130594501

请多多支持原作者，谢谢大家！

今天想复现一下经典的变化检测网络STANet，想要拿STANet当对比实验，只是换了一个数据集，结果总是报错dimension is 4194304 but corresponding boolean dimension is 65536：

Traceback (most recent call last):
File "./train.py", line 169, in
miou_current = val(opt, model)
File "./train.py", line 86, in val
score = model.test(val=True) # run inference
File "F:\wqcdcode\STANet-master\models\CDFA_model.py", line 79, in test
metrics.update(self.L.detach().cpu().numpy(), pred.detach().cpu().numpy())
File "F:\wqcdcode\STANet-master\util\metrics.py", line 121, in update
self.confusion_matrix += self.__fast_hist(lt.flatten(), lp.flatten())
File "F:\wqcdcode\STANet-master\util\metrics.py", line 108, in __fast_hist
hist = np.bincount(self.num_classes * label_gt[mask].astype(int) + label_pred[mask],
IndexError: boolean index did not match indexed array along dimension 0; dimension is 4194304 but corresponding boolean dimension is 65536

从网上查了很久也没有得到解决，心想应该是某个包的问题，因为通常的问题网上一般都有答案。在我又找了许久之后，终于在本文开头的原文章中找到了解决办法！（果然是包版本更新的问题）直接在models的CDFAmodel的85行前向传递函数中添加一句代码：self.dist = self.dist.permute(0, 3, 1, 2)具体解释大家可以去看原博主的解答。

    def forward(self):
        """Run forward pass; called by both functions <optimize_parameters> and <test>."""
        self.feat_A = self.netF(self.A)  # f(A)
        self.feat_B = self.netF(self.B)   # f(B)

        self.feat_A, self.feat_B = self.netA(self.feat_A,self.feat_B)

        self.dist = F.pairwise_distance(self.feat_A, self.feat_B, keepdim=True)  # 特征距离

        self.dist = self.dist.permute(0, 3, 1, 2) #添加这句代码

        self.dist = F.interpolate(self.dist, size=self.A.shape[2:], mode='bilinear',align_corners=True)

        self.pred_L = (self.dist > 1).float()
        # self.pred_L = F.interpolate(self.pred_L, size=self.A.shape[2:], mode='nearest')
        self.pred_L_show = self.pred_L.long()

        return self.pred_L

成功解决。

如果大家想要修改epoch的话，epoch在STANet代码的options文件夹下的train_options.py中以以下形式显示：

        parser.add_argument('--niter', type=int, default=100, help='# of iter at starting learning rate')
        parser.add_argument('--niter_decay', type=int, default=100, help='# of iter to linearly decay learning rate to zero')

• --niter指定了在开始时使用固定学习率进行训练的迭代次数，即模型在初始学习率下进行的迭代次数。
• --niter_decay指定了学习率线性衰减到零所需的迭代次数。
• 总epoch数 = niter + niter_decay

根据需要自行修改即可。batchsize和lr在运行终端的语句中就可以修改哦。