inverse-compositional-STN, 反向组合空间变压器网络( CVPR 2017 )

分享于 

6分钟阅读

GitHub

  繁體 雙語
Inverse Compositional Spatial Transformer Networks (CVPR 2017)
  • 源代码名称:inverse-compositional-STN
  • 源代码网址:http://www.github.com/chenhsuanlin/inverse-compositional-STN
  • inverse-compositional-STN源代码文档
  • inverse-compositional-STN源代码下载
  • Git URL:
    git://www.github.com/chenhsuanlin/inverse-compositional-STN.git
    Git Clone代码到本地:
    git clone http://www.github.com/chenhsuanlin/inverse-compositional-STN
    Subversion代码到本地:
    $ svn co --depth empty http://www.github.com/chenhsuanlin/inverse-compositional-STN
    Checked out revision 1.
    $ cd repo
    $ svn up trunk
    
    基于的逆合成空间变换

    chen hsuan and
    计算机视觉和 Pattern 识别( CVPR ) 会议,2017 ( 口头表示 )

    网站:https://chenhsuanlin.bitbucket.io/inverse-compositional-STN
    论文:https://chenhsuanlin.bitbucket.io/inverse-compositional-STN/paper.pdf
    海报:https://chenhsuanlin.bitbucket.io/inverse-compositional-STN/poster.pdf
    arXiv预发行:https://arxiv.org/abs/1612.03897

    我们为以下实验提供TensorFlow代码:

    • MNIST分类
    • 交通标志分类

    [NEW],MNIST实验的PyTorch实现现在已经开始了 !!

    TensorFlow

    先决条件

    这里代码是用 Python3 ( python3 ) 开发的,但它也与 Python2.7 ( python ) 兼容。 TensorFlow r1.0+是必需的依赖项可以通过运行

    
    pip3 install --upgrade numpy scipy termcolor matplotlib tensorflow-gpu
    
    
    
    

    如果你使用的是 Python2.7,,则使用 pip2 ;如果没有,请添加 --user 标志。

    运行代码

    训练代码可以通过命令执行

    
    python3 train.py <netType> [(options)]
    
    
    
    

    <netType> 应该是以下项之一:

    • CNN 标准卷积神经网络
    • STN - 空间变压器网络( STN )
    • IC-STN - 逆组合空间变压器网络( ics )

    可以通过执行 python3 train.py --help 找到可选参数的列表。
    本发布代码中的默认培训设置稍有不同,它更加稳定和优化网络。

    首次运行代码时,将自动下载和预处理数据集。
    检查点保存在自动创建的目录 model_GROUP 中;摘要保存在 summary_GROUP 中。

    可视化结果

    我们已经加入了代码来可视化TensorBoard的培训。 要执行,运行

    
    tensorboard --logdir=summary_GROUP --port=6006
    
    
    
    

    我们提供三种类型的数据可视化:

    • 标量: 迭代时训练/测试错误
    • 图像: 对齐结果和平均/差异外观
    • : 网络体系结构

    PyTorch

    代码的PyTorch版本仍在积极开发之中。 培训速度目前比TensorFlow版本慢。 欢迎关于改进的建议 ! : )

    先决条件

    这段代码是用 Python3 ( python3 ) 开发的。 它还没有被 Python2.7 测试过。 需要 PyTorch 0.2.0 +。 请参见 http://pytorch.org/ 安装说明。
    Visdom也是必需的;它可以通过运行

    
    pip3 install --upgrade visdom
    
    
    
    

    如果你没有sudo访问权限,请添加 --user 标志。

    运行代码

    首先,运行Visdom服务器,方法是

    
    python3 -m visdom.server -port=7000
    
    
    
    

    可以通过命令执行训练代码( 使用相同的端口号)

    
    python3 train.py <netType> --port=7000 [(options)]
    
    
    
    

    <netType> 应该是以下项之一:

    • CNN 标准卷积神经网络
    • STN - 空间变压器网络( STN )
    • IC-STN - 逆组合空间变压器网络( ics )

    可以通过执行 python3 train.py --help 找到可选参数的列表。
    本发布代码中的默认培训设置稍有不同,它更加稳定和优化网络。

    首次运行代码时,将自动下载和预处理数据集。
    检查点保存在自动创建的目录 model_GROUP 中;摘要保存在 summary_GROUP 中。

    可视化结果

    我们在Visdom上提供了三种类型的数据可视化:

    • 迭代中的训练/测试错误
    • 对齐结果和均值/方差外观

    如果你发现我们的代码对你的研究有用,请参考

    
    @inproceedings{lin2017inverse,
    
    
     title={Inverse Compositional Spatial Transformer Networks},
    
    
     author={Lin, Chen-Hsuan and Lucey, Simon},
    
    
     booktitle={IEEE Conference on Computer Vision and Pattern Recognition ({CVPR})},
    
    
     year={2017}
    
    
    }
    
    
    
    

    如果有问题,请与我联系。


    相关文章