卫星图像拓扑结构-LaneGNN复现

1. 数据准备

下载urbanlanegraph数据集，并进行解析

python data_preparation/generate_raw_sample.py /path/to/dataset /path/to/raw/output miami train
# miami为城市名称，共6个城市，名称可根据需求更改，为paloalto,pittsburgh,austin,washington,detroit
# tain为训练集，可以为eval，官方数据中没有提供test

2. 训练过程，分3个模型

2.1 训练context模型

python methods/train_centerline_regression.py --dataset_root /path/to/raw/output/dataset --sdf_version centerlines_sdf_context
# 3 channels image 最后生成context_checkpoints.pth

2.2 训练ego_context模型

在2.1训练后训练该模型

python methods/train_centerline_regression.py --dataset_root /path/to/raw/output/ --sdf_version centerlines_sdf_ego_context --checkpoint_pth_context_regression /path/to/context_regression/context_checkpoints.pth
# 4 channels image 最后生成ego_context_checkpoint.pth

2.3 lanegnn训练

2.3.1 准备processed特征数据

python data_preparation/generate_pth_samples.py --config methods/lanegnn/config/config.yaml --raw_dataset /path/to/raw/output --processed_dataset /path/to/preocessed/output/ --context_regressor_ckpt /path/to/context_regression/context_checkpoints.pth --ego_regressor_ckpt /path/to/ego_context_regression/ego_context_checkpoint.pth
# 调用2.1和2.2生成的模型，以及1的raw数据，生成processed数据，供lanegnn使用。数据格式可直接生成./train/processed/   ./eval/processed/

2.3.2 lanegnn模型训练

python methods/train_lanegnn.py --config methods/lanegnn/config/config.yaml --dataroot /path/to/processed/dataset/

3 测试过程

3.1 测试数据格式

测试数据包括所测试图像以及所测试图像的context图像，拥有上下文信息的图像，可以观察train/eval数据集中以rgb和rgb_context.png格式
举例：
miami__00*00*-rgb.png 为24位的256*256图像
miami***_00_00-rgb-context.png 为24位512512图像

3.2 测试

可根据data_preparation/genertate_pth_samples.py更改，生成特征数据，格式为pth
根据train_lanegnn.py中相关代码部分，写test代码