[AMRNet] Adaptive Mixture Regression Network 复现过程记录

已于 2024-01-12 10:40:23 修改
阅读量2.7k 收藏 22
点赞数 26
文章标签： 神经网络 pytorch
于 2021-03-17 21:25:53 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/114690434
版权

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、tensorboard可视化训练结果
  • 七、测试模型
  • tips

一、开发环境

windows10+Anaconda3+Python3.6+CUDA10.0+Pytorch1.0+Pycharm

二、论文代码

AMRNet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
在这里插入图片描述
2、导入项目至pycharm
在这里插入图片描述

四、数据准备

1、数据集
从官网上下载数据集，并解压至目录 ./ProcessedData
ShanghaiTech下载链接
UCF-QNRF下载链接
UCF_CC_50下载链接
2、导入数据集到项目
在这里插入图片描述
3、resize图片并且产生training labels.

  • 进入到./datasets/XXX/ 运行prepare_XXX_mod64.py
  • 以SHHB为例，其他数据集相信大家能举一反三，打开prepare_SHHB_mod64.py
  • 先处理一些肉眼可见的问题，第9行
    在这里插入图片描述
  • 第81行，改成和20行同样的代码风格
    在这里插入图片描述
  • 第15行的路径做适当修改
    在这里插入图片描述
  • 还有一个特别荫蔽的错误，get_density_map_gaussian.py需要修改一行代码，第10行改成 h w c，通道位置有错需要改正，否则，运行网络会出现通道不匹配的问题。
    在这里插入图片描述
  • 第11行里面只填train或者test，分别对应处理train数据集，test数据集
    在这里插入图片描述
  • 修改上面一行代码，右键run，preapre_SHHB_mod64.py，分别处理好train数据集，和test数据集。
  • 处理好SHHB数据集之后的目录
    在这里插入图片描述

4、预训练的模型下载
一些计数网络（例如VGG，CSRNet等）在ImageNet上采用了预先训练的模型。
所以我们需要从torchvision.models下载vgg16-397923af.pth

  • 下载链接
  • 把下载好的vgg16-397923af.pth，放在目录./models/Pretrain_Model/
  • 目录
    在这里插入图片描述

五、训练模型

1，训练代码呢？

  • 很遗憾，在前文提到的AMRNet代码链接中，原作者并没有公布训练代码和训练代码相关的说明材料。
  • 因为这个原因，这个项目我迟迟没有成功复现，不过我在同门的提醒下，在ECCV2020官网检索这篇文章。
  • 找到了这篇文章，肯定的，因为这篇文章是发在ECCV2020年的。但是让我兴奋的是下面有个附加材料按钮！！
    在这里插入图片描述
  • 下载下来一看，不就是我一直苦苦寻找的训练模型的代码和文字说明材料吗？恭喜我发现了原作者留的彩蛋，感谢我同门的提醒。哈哈。
    在这里插入图片描述
  • 把框中的三个文件复制到我们的项目中，README文件直接替换掉。最后三块拼图终于归位了！
  • 看完整的目录结构
    在这里插入图片描述
  • 为了大家方便，补充材料，我给一个云盘链接。
  • 链接：https://pan.baidu.com/s/1x01abMKFrW6L1THPb89hqQ 提取码：tlyf

2，训练模型

  • 根据最新的README文件，进行操作。
  • 在train_config.py里和./datasets/XXX/setting.py设置相应参数。这里我们依然以SHHB作为例子，即打开./datasets/SHHB/setting.py。
  • train_config.py第14行，改成VGG16_LCM_REG
    在这里插入图片描述
  • train_config.py第18行
    在这里插入图片描述
  • train_config.py第46行，epoch默认设置为500，我为了减少训练时间，epoch改成了100
    在这里插入图片描述
  • setting.py设置训练batchsize，这里我们根据自己显卡的情况，默认值是1
  • 在命令行输入命令：python train.py
    在这里插入图片描述
  • 出现一个问题，排查解决之后，就再次运行命令python train.py
  • 问题1：ModuleNotFoundError: No module named ‘config’
    在这里插入图片描述
  • 解决1：SHHB.py第13行，直接注释，没有起作用的一行导包
    在这里插入图片描述
  • 成功进入了训练的流程，漫长的等待过程之后，会得到一个性能最好的模型
    在这里插入图片描述
  • 经过漫长的训练，终于训练完了100epoch。上图
    在这里插入图片描述

六、tensorboard可视化训练结果

  • 开始训练模型的时候，会在根目录生成exp文件，里面保存着每次迭代性能更好的权重文件和tensorboard的events文件，我们就需要用到这个events文件。
    在这里插入图片描述
  • 通过命令行来启动tensorboard
    在这里插入图片描述
  • 成功启动tensorboard后，命令行窗口会出现一个网址，复制到浏览器地址栏访问，上图看结果。
    在这里插入图片描述
    在这里插入图片描述

七、测试模型

1，修改test_config.py

  • 第16行，修改数据集为SHHB
    在这里插入图片描述
  • 第23行，添加上我们刚训练好的模型路径
    在这里插入图片描述
  • 输入命令行：python test.py，可以看到成功在用模型来测试了
    在这里插入图片描述
  • 测试完毕，通过命令行窗口查看结果，看起来和我们训练100epoch的结果差不多。
    在这里插入图片描述

tips

  • 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
  • 26
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 25
    评论
专栏目录
[CSRNet] CSRNet-pytorch 复现过程记录
wpw5499的博客
12-22 7463
目录一、开发环境二、论文代码三、操作步骤导入项目数据准备训练模型 一、开发环境 windows10+Anaconda3+Python3.6+CUDA10.0+Pytorch1.0+Pycharm 二、论文代码 CSRNet代码链接 三、操作步骤 导入项目 1、通过git下载或者zip网页下载，二选一 2、导入项目至pycharm 数据准备 1、数据集 ShanghaiTech 百度网盘：https://pan.baidu.com/s/1cC4wkHAWfJ15VKwG2qjJ6A 提取码：i0xa 2、
CrowdCounting将标注信息加到图片上可视化
Tra_cy的博客
12-06 999
人群计数数据集UCF-QNRF中给的标注信息为.mat的二进制文件，里面存储了标注点的所有位置，现在要做的是将这些信息加入原始图片中，有标注的地方打上标记点进行可视化，使用opencv具体操作如下： 原始图片： import numpy as np import cv2 import scipy.io as scio ...
Gaussian Mixture Model (GMM) - Gaussian Mixture Regression (GMR)：高斯混合模型中的数据编码和通过高斯混合回归检索-matlab开发
05-30
GMM-GMR是一组Matlab函数，用于训练高斯混合模型（GMM）并通过高斯混合回归（GMR）检索广义数据。 它允许通过使用期望最大化 (EM) 迭代学习算法对高斯混合模型 (GMM) 中的任何数据集进行有效编码。 通过使用此模型，高斯混合回归 (GMR) 可用于通过指定所需输入来检索部分输出数据。 然后它作为一个泛化过程，计算关于部分观察数据的条件概率。 提供了一个样本来加载包含多个轨迹数据[t，x]的数据集，其中t是时间值，x是3D中的位置。 然后在 GMM 中对联合概率 p(t,x) 进行编码，GMR 用于检索 p(x|t)，即每个时间步的预期位置。 这用于检索提供的轨迹的平滑广义版本。 源代码是EPFL/CRC Press 出版的“Robot Programming by Demonstration: A Probabilistic Approach”一书中描述的算法的实现
CV Code|计算机视觉开源周报20200502期
我爱计算机视觉
05-16 1990
五月第二周，盘点本周新开源或即将开源的CV代码，涵盖方向广泛，不仅涉及到技术创新，还涉及多种CV应用，希望对大家有帮助。 图像分割[1].A Hand Motion-guided A...
人群计数数据集汇总和详细介绍,全网最全，crowd counting datasets
最新发布
专注“目标检测”领域技术分享
04-28 1万+
视频监控=video surveillancehttps://github.com/gjy3035/Awesome-Crowd-Counting/blob/master/src/Datasets.md进展 | 密集人群分布检测与计数 :https://www.sohu.com/a/338406719_823210。
Deep Adaptive Wavelet Network.pdf
05-19
Deep Adaptive Wavelet Network 尽管卷积神经网络已成为许多计算机视觉领域的选择方法，但它们仍然缺乏可解释性，并且通常是在繁琐的试错过程中手动设计的。 本文旨在通过提出一种深度神经网络来克服这些限制，该...
Adaptive modelling of gene regulatory network using Bayesian information criterionguided sparse regression approach
02-21
Adaptive modelling of gene regulatory network using Bayesian information criterionguided sparse regression approach
Observer-Based Adaptive Neural Network Control for Nonlinear Stochastic Systems With Time Delay
02-21
This paper considers the problem of observer-based adaptive neural network (NN) control for a class of singleinput single-output strict-feedback nonlinear stochastic systems with unknown ...
Direct adaptive type-2 fuzzy neural network controlfor a generic hypersonic flight vehicle
02-10
A direct adaptive interval type-2 fuzzy neural network (IT2-FNN) controller is designed for the first time in hypersonic flight control. The generic hypersonic flight vehicle is a multi-input...
Stauffer1999A_Adaptive background mixture models for real-time tracking.pdf
04-22
混合高斯模型 Stauffer1999A_Adaptive background mixture models for real-time tracking.pdf
UCF_50 人群密度估计数据集
12-02
这里面是UCF的人群密度数据集，适合做人群密度估计这方面的算法研究
UCF_CC_50
03-31
UCF_CC_50数据集，包含图片，json，mat
ShanghaiTech数据集
02-24
基于多列卷积神经网络的单图像人群计数的ShanghaiTech数据集
Tech Article
kevinbingsong的专栏
10-16 344
Write or found some tech article on Internet.
Bayesian Multi Scale Neural Network for Crowd Counting 阅读笔记
qq_34934576的博客
11-01 505
1.面临问题： 人群计数在计算视觉领域很重要但是也很困难的问题。在图像上基于密度图估计的卷积网络在这个领域取得了巨大的成功。然而，密集的人群计数仍然是一个开放的问题，因为严重的遮挡和透视图中，人们可以出现在不同的大小。在这项工作中，使用ResNet做特征提取，提出一种新的网络，下采样使用空洞卷积（dilated convolutions），上采样模块使用反卷积（ transposed convolutions）。我们提出了一个聚合模块，使得我们的网络在透视图问题（perspective view probl
【论文阅读】Bayesian Loss for Crowd Count Estimation with Point Supervision
amazingcode的博客
04-25 477
这篇论文是评估在一个人群场景中估计总的人数。广泛使用的人群计数基准数据集有UCF-QNRF 、ShanghaiTech 、UCFCC50 。 数据集标注的是图片中人头的点标注。这些点标注只包含一个像素，并且不包含对象的形状和大小信息，因此直接拿来训练是困难的。 主要思路是使用高斯核将人头的点标注转换为带有ground truth的密度图，将它作为训练的target，学习这个target训练一个密度图估计器。但是实际场景中，由于遮挡，物体形状的变化，这种带有ground truth的密度图是不完整的。因此
Scale-Aware Attention Network for Crowd Counting 论文笔记
阿木寺的博客
02-16 2378
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...
CVPR2020-Attention Scaling for Crowd Counting：用注意力尺度来进行人群计数
qq_37973756的博客
04-12 1234
CVPR2020-Attention Scaling for Crowd Counting：用注意力尺度来进行人群计数Attention Scaling for Crowd CountingAbstract（摘要）2.Ralated work（相关工作）2.1 Multi-scale Information Fusion Approaches（多尺度信息融合方法）2.2 Attention Guided Approaches（注意力引导方法）2.3 Multi-task Learning Approache
CV Papers|计算机视觉论文推荐周报20200502期
我爱计算机视觉
05-17 1187
五月第二周，推荐本周新出的 20 篇 CV 论文，其中 1 篇最新综述，含虚拟现实、自动驾驶、行人检测与计数、人脸检测与恢复等方向，部分有对应代码也把地址列出了，希望对大家有帮助。 ...
an adaptive neural network for unsupervised mosaic consistency analysis in i
04-27
针对图像拼接中自动拼接算法的挑战，研究人员提出了一种自适应神经网络，用于无监督图像拼接一致性分析。该算法采用两个步骤进行图像拼接。首先，使用一种自动对齐算法对输入的图像进行对齐。然后，使用适应性神经网络来对齐后的重叠区域进行一致性分析。该算法利用了多个尺度的图像金字塔以及神经网络的分层结构，以生成高质量的拼接图像。 该算法的主要优点是无需人工标注的数据集，可以自动适应不同的数据集，并适应多种不同的图像拼接情况。此外，该算法还具有较高的准确性和鲁棒性，可以在复杂的拼接环境中保持稳定的表现。 总体来说，这种自适应神经网络算法为无监督图像拼接一致性分析提供了一种高效和准确的解决方案。同时，该算法还为应用于自动驾驶、无人机、VR等领域中的数据拼接提供了可能。

“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 25
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