[CAN] Context-Aware Crowd Counting 复现过程记录

已于 2024-01-12 10:38:53 修改
阅读量8.2k 收藏 103
点赞数 49
文章标签： pytorch 深度学习 机器学习
于 2020-08-05 15:17:52 首次发布
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/wpw5499/article/details/107807982
版权
本文记录了使用PyTorch复现Context-Aware Crowd Counting的过程，包括开发环境配置、数据准备、模型训练及预测。在训练过程中解决了VGG16权重加载、CUDA内存不足等问题，最终得到接近论文结果的模型。
摘要由CSDN通过智能技术生成

目录

  • 一，开发环境
  • 二，论文代码
  • 三，导入项目
  • 四，数据准备
  • 五，训练模型
  • 六，预测结果
  • tips：

一，开发环境

windows10+Anaconda3+Python3.7+CUDA10.2+Pytorch1.5+Pycharm

二，论文代码

论文链接
代码链接

三，导入项目

1.通过git下载或者zip网页下载，二选一
通过网页下载
2.导入pycharm的目录结构
目录结构

四，数据准备

1.数据集
该demo使用的是ShanghaiTech Part B数据集
百度网盘: http://pan.baidu.com/s/1nuAYslz
2.导入数据集到目录
在项目的根目录创建一个文件夹data，将part_B_final放入其中
part_B_final
3.通过make_dataset.py创建hdf5文件（target文件）

  • 这一步的操作是让image和mat文件经过高斯核的计算，产生target文件。

  • make_dataset.py脚本需要做一些适当修改。

  • 数据集的路径（照抄下面就完事），注意：路径尽量避免使用绝对路径
    在这里插入图片描述

  • print函数加上小括号
    在这里插入图片描述

4.运行make_dataset.py脚本后，hdf5文件（后缀.h5）会产生在数据集的ground_truth文件夹中

  • 运行完脚本后，回到目录data\part_B_final\train_data\ground_truth下检查是否有生成.h5文件
    在这里插入图片描述

5.使用create_json.py产生json文件，这些文件内容是训练、测试图片的路径

  • 首先把脚本修改成以下形式，运行脚本，产生train.json，包含训练集图片路径
    在这里插入图片描述
  • 接着修改脚本，产生val.json，包含测试数据集图片路径
    在这里插入图片描述
  • 运行无误，在同级目录下会出现两个json文件
    在这里插入图片描述

五，训练模型

1.接下来打开train.py
调整一些空格，缩进，我们打开终端，输入命令python train.py train.json val.json
在这里插入图片描述
运行查看结果（每解决一个问题，就重新在端口运行一遍命令）

  • 报错0：远程主机强迫关闭了一个现有的连接。该问题是冉同学反馈上来的。
  • 解决0：这个模型用到了迁移学习，使用到的backbone是VGG16，所以，我们需要用到离线的方式加载权重文件。具体步骤是：
    – 下载VGG16放在根目录下
    – https://pan.baidu.com/s/1G94yL6pWWYUQZfAWHt16ZA 提取码：619a
    在这里插入图片描述
    – 在model.py中添加一行路径代码。
    在这里插入图片描述
    – model.py修改部分代码如下：括号中参数改成False，下面再添上加载权重文件的语句。
    在这里插入图片描述
  • 报错1：NameError:name ‘xrange’ is not defined
    在这里插入图片描述
  • 解决1：定位到model.py的45行，修改成如下
    在这里插入图片描述
  • 报错2：TypeError: ‘odict_items’ object is not subscriptable
    在这里插入图片描述
  • 解决2：定位到model.py的46行。这里需要把self.frontend.state_dict().items()，mod.state_dict().items()，转成list类型，才能支持切片操作。
    在这里插入图片描述
  • 报错3：TypeError:integer argument expected, got float
    在这里插入图片描述
  • 解决3：定位到image.py的36行，单斜杠改成双斜杠，使除法结果为整数
    在这里插入图片描述
  • 报错4：RuntimeError: CUDA out of memory .
    在这里插入图片描述
  • 解决4：这个是显存不足，需要修改batch_size的大小。定位到train.py的32行。
    在这里插入图片描述
  • 我们可以看到作者给的batch_size是26。
  • 我的电脑配置显存6G，经过测试能承受的最大batch_size是9。
  • 各位根据电脑配置来设置即可，batchsize一般是2的倍数。
    在这里插入图片描述
  • 警告5：重新运行命令之后，我们可以看到一系列警告信息，并且成功运行第一个epoch。
    在这里插入图片描述
  • 放松5：这个不影响程序的运行，大多是一些老版本方法的一些警告。
  • 报错6：虽然成功运行训练阶段的代码，但是在测试的阶段出现了报错：TypeError:slice indices must be integers or None or have an index…
    在这里插入图片描述
  • 解决6：我们定位到train.py的139行。发现是整除这个老问题。单杠变双杠，139就不会出现报错。
    在这里插入图片描述

2.调通了训练代码
在这里插入图片描述3.当结束模型的训练之后，会保存一个效果最好的模型model_best.pth.tar
在这里插入图片描述

六，预测结果

1.打开test.py，首先解决一些明显的已经解决过的错误。

  • 40行修改成如下
    在这里插入图片描述
  • 65，66行修改成如下
    在这里插入图片描述
  • 修改测试图片路径，修改模型文件名为model_best.pth.tar
    在这里插入图片描述
    在这里插入图片描述

2.运行test.py代码（每解决一个问题，就重新在端口运行一遍命令）
该脚本会通过加载之前效果最好的模型文件（model_best.pth.tar）来预测test中的图片密度图

  • 报错1：TypeError: slice indices must be integers or None or have an index method
  • 解决1：单杠变双杠
    在这里插入图片描述

3.使用自己训练的模型成功预测！撒花✿✿
在这里插入图片描述
4.使用作者训练好的模型来预测

  • 论文作者提供在SHHB训练好的模型，性能达到了MAE7.5
  • 链接：https://pan.baidu.com/s/1UB7SnIcxheYJB4rDhtxlGQ 提取码：glz5

tips：

  • 在train.py中，epoch可以适当调整，毕竟越大，所需要时间就越多，当然效果可能会越好。
  • 原文的epoch=2000，我修改成了epoch=100，batch_size=9，训练大概需要接近3个小时，最后测试的结果和论文中差两个点左右，如下图所示。
    在这里插入图片描述
  • 还有一个就是GPU利用率
    在这里插入图片描述
  • ok各位，以上就是这篇文章的全部内容了，非常感谢你能看到这里。如果你觉得这篇文章对你有所帮助求赞求收藏求评论求转发，别忘了点一个大大的关注，各位的支持就是我最大的动力，再见！邮箱：734140820@qq.com
wpw5499
关注
专栏目录
论文学习：Context-Aware Crowd Counting
Focus
11-10 1080
CAN Context-Aware Crowd Counting CVPR 2019 洛桑联邦理工学院 论文：https://arxiv.org/pdf/1811.10452.pdf 代码：https://github.com/weizheliu/Context-Aware-Crowd-Counting Instruction 作者提出了一种end2end的网络，它可以在多个感受野（尺度）下进行特征提取，并且学习图像中的重要特征，从而解决快速尺度变化问题。 这篇文章是直接将多尺度的上下文信息整合到这个en
论文阅读context-aware crowd counting
shuijinghua的博客
01-03 3292
摘要 经典做法是在整张图上采用同样的滤波器，通过估计局部比例来补偿透视失真。 2、相关工作 早期的人群计数工作主要采取检测方法，即检测出每个头或人体，然后计数。但是，对于拥挤的场景来说，遮挡会使检测变得很困难，因此，大部分情况下，检测方法就被密度估计图替代，即：训练一个回归器，对图片中的不同部分估计密度图，然后综合各个密度图得到原始图片的人数，这种方法法主要利用高斯函数或随机森林方法。尽管这...
人群计数[CAN](Context-Aware Crowd Counting复现过程记录)
qq_42383076的博客
04-14 2992
这是为了记录做毕设的过程，最主要的是自己下次配环境就直接用
人群计数[CAN](Context-Aware Crowd Counting) 代码解读
qq_42383076的博客
04-20 4497
之前已经完成了代码复现，并且自己也将ShanghaiTech中part_A_final数据集结果跑出来了。现在对代码部分做一个详细解读，加深自己的理解，如果有不对的地方请大家多多指教！！ （本文默认已经阅读过此篇论文并且对python的语法有一定的了解） 代码分析 可以看见里面有create_json.py、dataset.py、image.py、make_dataset.py、model.py、test.py、train.py和utils.py共8个py代码部分。我们按照代码的执行顺序来依次理解。 1、m
2019_Context-aware crowd counting
weixin_43051446的博客
06-17 762
Context-aware crowd counting说明概括一、Introduction二、方法参考文献 说明 本文是对以下这篇文章的总结及部分翻译。 Liu W, Salzmann M, Fua P. Context-aware crowd counting[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019: 5099-5108. 概括 在拥挤的场景中计算人数的最先进方
[CAN] [CVPR2019]：Context-Aware Crowd Counting论文+代码解读
学术菜鸡
07-14 2829
Context-Aware Crowd Counting论文和代码解读
Context-aware-Visual-Tracking.zip_Aware_Context-aware_context aw
09-14
《Context-aware Visual Tracking》是2009年发表在Pattern Analysis and Machine Intelligence (PAMI) 上的一篇重要论文，该文深入探讨了上下文感知在视觉跟踪中的应用。上下文感知（Context-aware）技术在计算机...
Improving performance of tensor-based context-aware recommenders using Bias Tensor Factorization with context feature auto-encoding
02-07
In this paper, we focus on the problem of context-aware recommendation using tensor factorization. Tra- ditional tensor-based models in context-aware recommendation scenario only consider user-item-...
CAN网络Context-Aware Crowd Counting
zhuan__的博客
12-15 353
1.适用问题2.网络结构及损失函数中间段：另一种尺度3.思考与展望。
CVPR2019-Context-Aware_Crowd_Counting论文解读
xuru_0927的博客
07-03 2232
CVPR2019一篇关于基于上下文感知的人群计数，训练和测试都已经跑通，我就顺便写了一篇博客，以代码的形式对网络架构进行了剖析 https://github.com/xr0927/chapter9-learnCVPR2019-Context-Aware_Crowd_Counting 顺便给美女个star哦star⭐ ...
CrowdCounting-SASNet:SASNet的PyTorch中的正式实现，如“选择或融合？人群选择的比例选择”中所述
05-17
SASNet（AAAI2021） 宋庆宇*，王长安*，王亚标，应泰，王成杰，李吉林，吴健，马嘉宜在SASNet的PyTorch中正式实现，如“选择还是融合？人群选择的规模选择”中所述。 该代码已通过PyTorch 1.5.0进行了测试。 它可能无法与其他版本一起运行。 比例尺选择的可视化 提出的自适应选择策略可自动学习内部关系，以下可视化效果证明了其有效性。 安装 将此仓库克隆到名为SASNet_ROOT的目录中 安装Python依赖项。 我们使用python 3.6.8和pytorch> = 1.5.0 pip install -r requirements.txt 从下载ShanghaiTech数据集和模型 准备 按以下方式组织数据和模型： SASNet_ROOT/ |->datas/ | |->part_A_final/
Crowd Counting using Deep Recurrent Spatial-Aware Network
qinqinyijia的博客
01-22 529
摘要：提出了一种Deep Recurrent Spatial-Aware Network的网络架构，能够采用一种可学习的空间变化模块。 本文提出的方法: Deep Recurrent Spatial-Aware Network,包括两个部分：全局特征提取部分（GFE）和 Recurrent Spatial-Aware Refinement(RSAR).其中GFE模块将整个图像作为输入，进行特征提...
基于卷积神经网络的密集人群估计/人群计数算法/Yolov4行人检测【内含教程和踩坑】
热门推荐
weixin_43594279的博客
01-10 2万+
面向本科毕业设计，对人群密度估计的研究流程进行概述，旨在帮助小白从零开始了解人群估计算法。
【Python3】【报错】- TypeError: ‘dict_keys‘ object is not subscriptable
weixin_42279212的博客
11-19 2910
1. 错误代码 fdist = FreqDist(dist).keys() dist_max = set(fdist[0:50]) 2. 错误信息 3. 错误分析 原因： 在Python3中，keys()方法不允许切片 4. 解决方案 不允许切片，我们可以先转为list对象，再进行切片操作 代码转换为以下形式就可以了 fdist = FreqDist(dist).keys() dist_max = set(list(fdist)[0:50]) 5. 参考资料 TypeError: ‘dict
解决pyhton object is not subscriptable
牛肉胡辣汤
11-09 7667
在Python编程中，使用下标操作符​​[]​​来访问对象的属性或元素是很常见的。当遇到"object is not subscriptable"的错误时，你可以按照上述的解决方案来检查并修复问题，包括检查对象的类型、确保自定义类实现了​​方法以及正确访问对象的属性。希望本篇文章能帮助你理解并解决"object is not subscriptable"错误，提高你的Python编程技能。​​方法定义在类中，并且接受一个参数，用于指定要访问的下标或键。根据下标或键的不同，​​方法可以有不同的实现。
Crowd Counting近期研究(附代码资源)
最新发布
m0_73832962的博客
12-25 1301
近期一些比较新的人群计数算法汇总，文中有代码资源
Scale-Aware Attention Network for Crowd Counting 论文笔记
阿木寺的博客
02-16 2430
Summary：亚马逊提出：用于人群计数的尺度感知注意力网络 Author：Amusi Date：2019-02-11 微信公众号：CVer 原文链接：亚马逊提出：用于人群计数的尺度感知注意力网络 知乎：https://zhuanlan.zhihu.com/p/55787893 《Scale-Aware Attention Network for Crowd Counting》 arXiv：h...
机器学习实战——TypeError:dict_keys' object is not subscriptable
Kenard的博客
02-07 627
修改方法为：将firstStr= myTree.keys()[0]修改为firstStr=list(myTree.keys())[0]即可，原因是keys不允许切片，必须转为转为list再切片。
Context-Aware Saliency Detection 代码
03-28
作为AI模型，我无法提供具体的代码，但我可以提供一些参考资料和代码实现的建议： 1. 论文：Context-Aware Saliency Detection，可以在Google Scholar或者百度学术上搜索到。 2. GitHub上有一些相关的代码实现，例如：https://github.com/zyjwuyan/Context-Aware-Saliency-Detection 3. 推荐使用Python语言，结合深度学习框架（如TensorFlow、PyTorch等）进行实现。 4. 实现方法可以参考论文中提到的思路，例如：引入上下文信息、使用多尺度特征等。 希望这些信息对您有所帮助。
评论 47
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

打赏作者

wpw5499

若有帮助，不妨请博主一杯奶茶吧

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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