Aceasta este implementarea pirtorch oficiala a BCNet construita pe detectron2 open-source.
Segmentare de instanta constienta de ocluzie profunda cu suprapuneri de bi-straturi
Lei Ke, Yu-Wing Tai, Chi-Keung Tang
CVPR 2021
Repere
- BCNet: Segmentarea instantei in doua / o etapa (detectare-apoi-segment) cu performanta de ultima generatie.
- Noutate: Modelare explicita a ocluziei cu decuplare bistratificata pentru ocluzor si ocluzie in RoI.
- Eficacitate: imbunatatiri mari atat pentru detectoarele FCOS (fara ancore), cat si pentru cele mai rapide R-CNN (bazate pe ancore).
- Simplu: sarcina de calcul suplimentara mica si usor de utilizat.
Vizualizarea obiectelor ocluse
Rezultate de segmentare a instantelor calitative ale BCNet-ului nostru, folosind detectorul ResNet-101-FPN si detectorul Raster-CNN mai rapid. Randul de jos vizualizeaza harta de caldura patrata a previziunilor de contur si masca de catre cele doua straturi GCN pentru ocluzor si ocluzie in aceeasi regiune ROI specificata de caseta de limitare rosie, ceea ce face, de asemenea, rezultatul de segmentare final al BCNet mai explicabil decat metodele anterioare.
Rezultate de segmentare a instantelor calitative ale BCNet-ului nostru, utilizand detectorul ResNet-101-FPN si FCOS.
Rezultate la testul COCO-dev
(Verificati Tabelul 8 al lucrarii pentru rezultate complete, toate metodele sunt instruite pe trenul COCO 2017)
Detector Backbone Method mAP (mask) Faster R-CNN ResNet-50 FPN Mask R-CNN (ICCV’17) 34.2 Faster R-CNN ResNet-50 FPN PANet (CVPR’18) 36.6 Faster R-CNN ResNet-50 FPN MS R -CNN (CVPR’19) 35,6 Faster R-CNN ResNet-50 FPN PointRend (1x CVPR’20) 36,3 Faster R-CNN ResNet-50 FPN BCNet (CVPR’21) 38,4 Faster R-CNN ResNet-101 FPN Masca R- CNN (ICCV’17) 36.1 Faster R-CNN ResNet-101 FPN MS R-CNN (CVPR’19) 38.3 Faster R-CNN ResNet-101 FPN BMask R-CNN (ECCV’20) 37.7 Faster R-CNN ResNet-101 FPN BCNet (CVPR’21) 39,8 FCOS ResNet-101 FPN BlendMask (CVPR’20) 38,4 FCOS ResNet-101 FPN CenterMask (CVPR’20) 38,3 FCOS ResNet-101 FPN SipMask (ECCV’20) 37.8 FCOS ResNet -101 FPN BCNet (CVPR’21) 39.6 , model preinstruit, fisier de depunere
Introducere
Segmentarea obiectelor foarte suprapuse este dificila, deoarece de obicei nu se face distinctie intre contururile obiectelor reale si limitele ocluziei. Spre deosebire de metodele anterioare de segmentare a instantelor in doua etape, BCNet modeleaza formarea imaginii ca o compozitie a doua straturi de imagine suprapuse, unde stratul GCN superior detecteaza obiectele ocluzive (ocluzer), iar stratul GCN inferior deduce instanta partial ocluzionata (occludee). Modelarea explicita a relatiei de ocluzie cu structura cu doua straturi decupleaza in mod natural limitele instantelor ocluzive si ocluse si ia in considerare interactiunea dintre acestea in timpul regresiei mastii.Validam eficacitatea decuplarii bistratului atat pe detectoarele de obiecte cu o etapa, cat si cu doua etape, cu diferite coloane vertebrale si optiuni de strat de retea. Reteaua BCNet este dupa cum urmeaza:
O scurta comparatie a arhitecturilor capului mastii, consultati lucrarea noastra pentru detalii complete.
Instalare pas cu pas
videos porno casero españa fiestas porno
peliculas eroticas alemanas porno tv
miakalifa porni
maturehd amas de casa follando
se corre en el coño de su hija pornox
me gusta follar española follando
video sexo porno fiestas
amas de casa infieles incesto x
maduras masturbandose largeporntube
incesto subtitulado español tias corriendose
abuelas tragando leche todoporno
comic maduras pilladas desnudas
videos porno corridas internas madresxxx
fiestas porno maduras folladoras
mature.com maduras en la playa
porno gratis viejas mujer masturbandose
vecina mirona masturbaciones
videos actrices españolas desnudas p0rno
pajas caseras michelle jenner desnuda
se folla a su cuñada maduras sex
4.0 torchvision == 0.5.0 cudatoolkit = 10.1 -c pytorch # FCOS and coco api and visualization dependencies pip install ninja yacs cython matplotlib tqdm pip install opencv-python == 4.4.0.40 # Boundary dependency pip install scikit-image export INSTALL_DIR = $ PWD # install pycocotools. Va rugam sa va asigurati ca ati instalat Cython. cd $ INSTALL_DIR git clone https://github.com/cocodataset/cocoapi.git cd cocoapi / PythonAPI python setup.py build_ext install # install BCNet cd $ INSTALL_DIR git clone https://github.com/lkeab/BCNet.git cd BCNet / python3 setup.py build develop dezinstalat INSTALL_DIR
Pregatirea setului de date
Pregatiti-va pentru setul de date coco2017 urmand aceasta instructiune. Si utilizati adnotarile noastre de masca convertite pentru a inlocui fisierul de adnotari original pentru antrenamentul de decuplare a straturilor.
Instruire si evaluare multi-GPU pe setul de validare
Sau
Modele preinstruite
Descarcare versiune FCOS: link
Testarea pe Test-dev
Vizualizare
Script de referinta pentru producerea adnotarii masti stratificate:
Citare
Daca BCNet vi se pare util in cercetarea dvs. sau faceti referire la rezultatele de baza furnizate, va rugam sa marcati acest depozit si sa luati in considerare citarea:
Link-uri conexe
Video Youtube | Poster
Media Report (chinezesc) de arxivDaily | CVMart (chineza) | 52CV (chineza) | CVer (chineza)
Licenta
BCNet este eliberat sub licenta MIT. Consultati LICENTA pentru detalii suplimentare. Multumim detectorului Libs de la terti.
