显着对象检测探索:基于深度学习的显着对象检测探索

  • L0_334119
    了解作者
  • 354.2KB
    文件大小
  • zip
    文件格式
  • 0
    收藏次数
  • VIP专享
    资源类型
  • 0
    下载次数
  • 2022-04-21 02:44
    上传日期
显着对象检测探索 基于深度学习的显着对象检测探索 日程 模型 大小 平台 评估 MAE f_measure 速度(Tesla -T4)/ FPS FLOPs-PARAM 妙妙 332兆字节 火炬 模型过大,暂时不予考虑 168mb / 4.7mb 火炬 0.036 / 0.043 0.931-0.947 / 0.916-0.941 11.92 / 11.5 260兆字节 火炬 0.047 0.919-0.934 12 <1mb 火炬 0.067 0.914-0.870 8.32 0.7167G-0.1409M 基于ECSSD数据集 记录 2021/2/22 可算来更了 今天很开心 唉苦恼了好久,因为发现这个赛题好麻烦,要用c ++部署,还要设计gui,心累 要是当时选的A18估计现在已经完事了吧 不过这何尝不是一个新的挑战呢?(希望我能一直乐观下去 :grinning_face_with_big_eyes: 2021/
Salient-Object-Detection-Explore-main.zip
  • Salient-Object-Detection-Explore-main
  • imgs
  • image-20210222171638064.png
    51KB
  • o_210129073434image-20210129153125969.png
    257.6KB
  • image-20210222171638064.png
    51KB
  • LICENSE
    1KB
  • README.md
    4.7KB
内容介绍
# Salient-Object-Detection-Explore a exploration of deep learning based salient object detection # Schedule | 模型 | 大小 | 平台 | Evaluation | MAE | f_measure | 速度(Tesla -T4)/FPS | FLOPs-PARAMs | MIOU | | -------------------------------------------------- | --------------- | ------- | ---------------------- | ----------- | ----------------------- | ------------------- | --------------- | ---- | | [BASNET](https://github.com/NathanUA/BASNet) | 332mb | pytorch | 模型过大,暂时不予考虑 | | | | | | | [Usquare Net](https://github.com/NathanUA/U-2-Net) | 168mb/**4.7mb** | pytorch | | 0.036/0.043 | 0.931-0.947/0.916-0.941 | 11.92/11.5 | | | | [PoolNet](https://github.com/backseason/PoolNet) | 260mb | pytorch | | 0.047 | 0.919-0.934 | 12 | | | | [CSNet](https://github.com/MCG-NKU/SOD100K) | <1mb | pytorch | | 0.067 | 0.914-0.870 | 8.32 | 0.7167G-0.1409M | | | [F3Net](https://github.com/weijun88/F3Net) | | | | | | | | | based on ECSSD dataset [FLOPs](https://github.com/Lyken17/pytorch-OpCounter) # record ## 2021/2/22 可算来更了 今天很开心 唉苦恼了好久 因为发现这个赛题好麻烦,要用c++部署,还要设计gui,心累 要是当时选的A18估计现在已经完事了吧 不过这何尝不是一个新的挑战呢?(希望我能一直乐观下去:smiley: ![image-20210222171638064](C:%5CUsers%5CBreeze%5CDesktop%5CA02%5Csod-research%5CSalient-Object-Detection-Explore%5Cimgs%5Cimage-20210222171638064.png) ## 2021/1/29 (原本想的每天一更,没想到变成每周一更了。。 **gains:** > **SOD模型评估:** > > 1、[目前我用的代码](https://github.com/NathanUA/Binary-Segmentation-Evaluation-Tool) > > 2、https://github.com/zhimingluo/NLDF > > **总结:** > > 1、poolnet有一些坑,还是第一次用到lst文件存储data path的,奇怪的是用官方给的模型会报错,在colab上和本机都这样,最后还是自己手动训练了六个小时,数据集用的是[MSRA-B and HKU-IS](https://drive.google.com/open?id=14RA-qr7JxU6iljLv6PbWUCQG0AJsEgmd),效果好像会比官方给的略差一些,但是模型大小少了10mb:smile: > > 2、偶然看到南开程教授的 [CSNet](https://github.com/MCG-NKU/SOD100K),据说模型非常小,`Since the CSNet is extremely small, we just include the pre-trained model of CSNet in the `checkpoints` folder.` > > 再加一个模型:[F3Net](https://github.com/weijun88/F3Net) > > 3、计划下周跑完CSNet,并且完成这四个主要模型的测评、优化,由于赛方要求,可能还要加入IOU的评测。预计春节前开始tensorrt等的尝试模型工程化 > > 4、下面这张是从F3Net论文里面bp来的,大致我们的工作也要完成这样的表格,实作得出相关数据(上面那张表后面还会更新格式) > > ![img](https://github.com/Breezewrf/Salient-Object-Detection-Explore/blob/main/imgs/o_210129073434image-20210129153125969.png) ## 2021/1/21 ​ 首先[是一份SOD综述](https://www.cnblogs.com/imzgmc/p/11072100.html) ​ 是翻译的版本,自然不可能都看完,主要和下面这个对照着看吧 ​ from https://github.com/ArcherFMY/sal_eval_toolbox ​ 熟悉一下主要相关数据集: ### Datasets [[citations\]](https://github.com/ArcherFMY/sal_eval_toolbox#benchmarks) - ECSSD [`link`](http://www.cse.cuhk.edu.hk/leojia/projects/hsaliency/dataset.html) 来自香港中文大学 - PASCAL-S [`link`](http://cbi.gatech.edu/salobj/#download) - DUT-OMRON [`link`](http://saliencydetection.net/dut-omron/) 貌似是大连理工?不清楚 - HKU-IS [`link`](https://i.cs.hku.hk/~gbli/deep_saliency.html) 来自香港大学 - DUTS [`link`](http://saliencydetection.net/duts/) - SOD [`link`](http://elderlab.yorku.ca/SOD/) 貌似打不开 - SOS [`link`](http://cs-people.bu.edu/jmzhang/sos.html) 波士顿大学Salient Object Subitizing - THUR [`link`](http://mmcheng.net/code-data/) 南开大学程明明教授 - MSRA10K [`link`](https://mmcheng.net/msra10k/) 也是南开大学程明明(可能有点久远了 - SED [`link`](http://www.wisdom.weizmann.ac.il/~vision/Seg_Evaluation_DB/dl.html) [就直接看这个吧](https://blog.csdn.net/zjc910997316/article/details/103131345)
评论
    相关推荐