SiamCAR代码复现--Windows

最新推荐文章于 2024-11-08 15:02:13 发布
最新推荐文章于 2024-11-08 15:02:13 发布
阅读量2.3k 收藏 34
点赞数 9
文章标签： 目标检测 pytorch 目标跟踪
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/yolocy/article/details/125171073
版权

第一步：环境配置

先在GitHub上下载SiamCAR论文的代码，附上下载地址https://github.com/ohhhyeahhh/SiamCAR

论文地址：https://arxiv.org/abs/1911.07241

按照GitHub上给的要求pip install -r以下包

numpy

pytorch==1.2.0

opencv-python

pyyaml

yacs

tqdm

colorama

matplotlib

cython

tensorboardX

第二步：下载模型

Github上给出了模型的百度云下载路径

general_model code: lw7w
got10k_model code: p4zx
LaSOT_model code: 6wer

将模型下载好后在tool文件夹下新建一个snapshot文件夹，用来放置模型

第三步：下载数据集


在这里笔者所用的数据集是OTB100，在网上很多地方都可以下载，在这就不给出链接了，下载好数据集后在SiamCAR目录下建立testing_dataset文件夹用来存放数据集以及下载好的json文件，json文件下载地址github中也已给出百度云SOT_eval_免费高速下载|百度网盘-分享无限制，下载好后放在数据集文件夹下，使用别的数据集也是同样的步骤。

第四步

测试运行 打开tools文件夹下的test.py文件，将第55行的dataset_root设置为上面步骤中新建文件夹testing_dataset的绝对路径（为了避免不必要的报错，最好设置绝对路径）

    dataset_root = os.path.join(cur_dir,'C:\\Users\\cheng\\Desktop\\SiamCAR\\testing_dataset', args.dataset)

而后在terminal工作台中将工作路径cd至tools下，在工作台输入命令，代码提供了可视化实现，若是想要进行可视化的实现可以输入第二行的命令

python test.py --dataset OTB100 --snapshot snapshot/model_general.pth
python test.py --dataset OTB100 --snapshot snapshot/model_general.pth--vis   #可视化

若是使用不同数据集以及模型，只需在命令中进行替换即可。

如果想要使用got10k_model 和LaSOT_model进行测试，需要修改一个地方的代码。打开pysot\models\model_builder.py文件，修改第42行代码。如果使用model_general.pth模型，需要将该行代码修改为下面第一行代码，如果使用SiamCAR_LaSOT.pth和SiamCAR-GOT.pth，则需要将该行代码修改为下面第二行代码

self.down = nn.ConvTranspose2d(256 * 3, 256, 1, 1)   #model_general.pth
self.down = nn.Conv2d(256 * 3, 256, 1, 1)            #SiamCAR_LaSOT.pth和SiamCAR-GOT.pth

第五步 遇到的错误

AssertionError: C:\Users\cheng\Desktop\SiamCAR\testing_dataset\OTB100\Human4-2/img/0001.jpg

这是因为OTB100数据集下的Human4文件夹与OTB100.json文件中的Human4-2不对应，此时需要修改OTB100.json文件，将文件中的Human4-2使用Ctra+R全部替换为Human4(除了第一个) ，注意第一个不要替换，否则会产生覆盖报错。同样情况的还有将Jogging-1和Jogging-2，替换成Jogging，将Skating2-1和Skating2-2，替换成Skating2。

 第六步 运行成功

 而后重新输入命令，运行成功。

Yolocy
关注
skip-gram 代码复现-简易数据集
12-15
标题 "skip-gram 代码复现-简易数据集" 指的是在自然语言处理领域中，使用skip-gram模型进行训练的一种实践项目。skip-gram是一种流行的语言模型，尤其在Word2Vec算法中被广泛使用，它通过预测一个词在上下文中的...
Windows复现SiamCAR代码遇到的报错与解决方法
qq_39940390的博客
03-24 407
任选一种完成pycocotools包的安装后，将原项目中的pycocotools包全部删除。Windows10以上。，加载快，Esri提供win-64的包。已装Anaconda。即可处理好COCO数据集。接下来可以调试并运行。
SiamCAR:Siamese Fully Convolutional Classification and Regression for Visual Tracking
weixin_46365033的博客
05-18 3114
文章目录AbstractIntroductionProposed MethodFeature ExtractionBounding Box PredictionThe Tracking Phase值得关注的几个问题Q1:输入的图片大小不一？Q2:在两者做相关性之前，如何得到特征图？ Abstract 通过将视觉跟踪任务分解为两个子问题（像素类别的分类和该像素处的边界框的回归），本文以逐像素的方式提出了全卷积Siamese网络来解决视觉跟踪问题。 该框架由两个简单的子网络组成：一个用于特征提取，另一个用于边界
SiamCAR的详细解答，一看就会，不会请打我
热门推荐
cxkyxx的博客
10-09 1万+
首先提一句：这篇论文虽然是今年CVPR的oral，但是它的整体思路与SiamBAN基本相同。所以在本篇论文中我将主要的重点放在与SiamBAN不同的地方。 我之前的关于SiamBAN的博客。 整体把握 本篇论文通过anchor-free的策略，将网络的回归输出变成了特征图映射在搜索补丁上点与选定的gt框四条边的距离。通过观察分类得分图和中心度得分图，决定最佳目标中心点。然后提取最佳目标中心点与gt框四条边的距离，得到预测框，从而实现跟踪。具体的过程如下所示： #mermaid-svg-3wMaNEknLF1
siamcar训练
weixin_50886167的博客
06-30 1912
siamcar训练
SiamCAR笔记
qq_41434501的博客
11-01 1088
本文将视觉跟踪任务分解为两个问题：像素级别的分类问题+在该像素上目标框的回归问题，提出了一个新颖的全卷积孪生网络SiamCAR以端到端的方式在像素级别解决目标跟踪问题。
目标追踪与定位实验笔记1-项目配置篇SiamCAR代码
qq_33977080的博客
06-09 1788
首先 在命令行中输入 anaconda-navigator 新建anaconda环境 选择python版本 然后点击确定 在pycharm中选择对应项目，进行环境配置 file -> settings -> project: -> python Interpreter 然后选择我们创建好的python环境 在pycharm终端下 cd /home/username/下载 pip install torch-1.8.0+cu111-cp36-cp36m-linux_x86_64.w.
point-nerf复现代码
05-30
point-nerf复现代码，github上提供的源码比较乱，而且在复现的时候一直出现bug，于是在测试point-nerf时将里面的代码进行了更改。在源码的基础上，将nerf_synth360_ft_dataset.py；evaluate.py；test_ft.py；...
代码复现-SwinGAN-myconfig.yaml
09-26
代码复现-SwinGAN-myconfig.yaml
meshCNN分割准确率复现 - 使用官方代码
08-27
使用MeshCNN官方代码复现了其分割准确率，除了在chairs上的分割准确率偏低，其余均与论文一致 (相差不大，有高有低，大致相同)。 checkpoints文件包含： 1. 四个分割数据集的准确率testacc_log.txt以及最终生成的...
SiamCAR:暹罗汽车
05-07
1.环境设置 该代码已经在Ubuntu 16.04，Python 3.6，Pytorch 0.4.1 / 1.2.0，CUDA 9.0上进行了测试。 请在运行此代码之前安装相关的库： pip install -r requirements.txt 2.测试 下载预训练的模型： 代码：lw7w 代码：p4zx 代码：6wer （该模型在），然后将其放入tools/snapshot目录中。 下载测试数据集并将其放入test_dataset目录。 常用数据集的Json可以从或下载。 如果要在新数据集上测试跟踪器，请参考设置test_dataset。 python test.py \ --dataset UAV123 \ # dataset_name --snapshot snapsh
论文复现-深度补全算法
03-10
1、传统深度不全算法复现 2、详细内容可见：https://blog.csdn.net/qq_43627520/article/details/123344654?spm=1001.2014.3001.5502 3、复现代码可直接运行、包含有测试用例、以及验证代码
[VOT3](2020CVPR)SiamCAR：Siamese Fully Convolutional Classification and Regression
m0_37412775的博客
04-05 3338
论文地址：https://arxiv.org/abs/1911.07241 作者源码地址： Abstract 做法：本文将视觉跟踪任务分解为两个问题：像素级别的分类问题+在该像素上目标框的回归问题，提出了一个新颖的全卷积孪生网络SiamCAR以端到端的方式在像素级别解决目标跟踪问题。 具体做法：SiamCAR包括2个简单的子网络：一个用于特征提取的孪生子网+一个用于目标框预测的分类回归子网，以ResNet50为backbone。不同于SiamRPN, SiamRPN++, SPM这些基于region p.
单目标跟踪通过CAM绘制heatmap图像(以SiamCAR为例)
qq_39276007的博客
02-05 1万+
论文链接： SiamCAR:SiamCAR: Siamese Fully Convolutional Classification and Regression for Visual Tracking Group-CAM: Group Score-Weighted Visual Explanations for Deep Convolutional NetworksGroup-CAM:Group-CAM: Group Score-Weighted Visual Explanations for Deep
基于分类和回归子网的包围盒预测（siamGAT和siamCAR的头部）
的博客
10-14 897
siamGAT和siamCAR都使用相同的预测模块，具体参考siamCAR论文原文：https://arxiv.org/abs/1911.07241 3.2. Bounding Box Prediction with Classification and Regression Subnetwork 在代码中实现为 def forward(self, pred, target, weight=None): pred_left = pred[:, 0] ..
SiamCAR: Siamese Fully Convolutional Classification and Regression for Visual Tracking
qq_38680752的博客
07-14 7777
本译文为了方便自我阅读，有能力请阅读原版：https://arxiv.org/abs/1911.07241 摘要 通过将视觉跟踪任务分解为两个子问题，分别是像素类别的分类和该像素处对象边界框的回归，提出了一种新的全卷积孪生网络，以逐像素的方式解决端到端的视觉跟踪问题。该框架由两个简单的子网组成：一个用于特征提取的孪生子网和一个用于边界框预测的分类回归子网。 SiamCAR采用在线训练和离线跟踪的策略，在训练过程中不使用任何数据增强。 主要贡献有： 提出孪生分类和回归框架用于跟踪，框架结构简单，性能强大。 提
目标跟踪Paper Note系列（一）------ SiamCAR
My_Communication的博客
07-26 1013
Siamese Fully Convolutional Classification and Regression for Visual Tracking Abstract 通过将 visual tracking 任务分为两个子问题，像素类别的分类（classification for pixel category）和像素处目标边界框的回归(regression for object bounding box at this pixel)，提出了一种新的全卷积Siame网络来解决逐像素的end-to-end
目标跟踪与定位学习笔记6-用于视觉跟踪的孪生全卷积分类和回归论文阅读
qq_33977080的博客
05-13 830
阅读论文的步骤：查阅文献->阅读文献->文献复现->找文献的不足进行改进->研究出成果 1. 论文思路 通过将目标跟踪任务分解为像素级别的分类和在像素处对象边界框回归的两个子问题，提出一种新的全卷积孪生神经网络，以每个像素方式端到端的解决视觉跟踪问题。SiamCAR由两个简单的子网构成：一个用于特征提取的Siamese subnetwork和一个用于边界盒预测的分类回归子网络。框架以ResNet50为骨架网络。 SOTA的方法SiamRPN，SiamRPN++和SPM都是基于区域的，
Ascend Extension for PyTorch是个what？
最新发布
xyz3120的专栏
11-08 612
Ascend Extension for PyTorch 插件是基于昇腾的深度学习适配框架，使昇腾NPU可以支持PyTorch框架，为PyTorch框架的使用者提供昇腾AI处理器的超强算力。项目源码地址请参见LINK。昇腾为基于昇腾处理器和软件的行业应用及服务提供全栈AI计算基础设施。您可以通过访问昇腾社区，了解关于昇腾的更多信息。
CE-FPN代码复现
07-27
很抱歉，但我无法进行代码复现。我是一个基于CSDN开发的AI助手，无法进行实际的代码执行。但是我可以为您提供一些关于CE-FPN的解释和相关资源，帮助您进行代码复现。 CE-FPN（Context Enhancement Feature Pyramid Network）是一种用于目标检测的特征金字塔网络，它通过利用上下文信息来提高检测性能。它基于特征金字塔网络（FPN），并在其基础上增加了上下文增强模块。 要复现CE-FPN，您可以参考相关的论文和开源实现。以下是一些可能有用的资源： 1. 论文：CE-FPN: Context Enhancement Feature Pyramid Network for Object Detection. 可以在论文库或搜索引擎中找到该论文，并了解其网络结构和细节。 2. 开源实现：您可以搜索CE-FPN的开源实现，例如GitHub上的项目。在代码库中，您可以查看网络的实现细节、训练和推理代码等。 3. 相关资料：除了论文和代码，还可以查找其他与CE-FPN相关的资料，例如博客文章、技术报告或演示文稿。这些资料可能会提供更详细的解释和指导。 请注意，在复现CE-FPN时，确保遵循论文中提供的细节和参数设置，以获得最佳的结果。祝您成功复现CE-FPN！如果您有其他问题，我会尽力帮助您。
评论 15
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
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