自监督场景去遮挡复现

自监督场景去遮挡

复现源码网站：https://github.com/XiaohangZhan/deocclusion

• 环境

python: 3.7

pytorch>=0.4.1 （实则pytorch: 1.1）

坑一: python3.7安装不上pytorch 0.4（提示：python版本过高）

坑二: 用pytorch1.6程序会报错 （后来得知作者用的是pytorch1.1，解决了报错问题）

• 利用Anaconda中创建虚拟环境

1. 将conda切换至清华源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

conda config --set show_channel_urls yes

1. 添加Pytorch 清华源（清华源针对pytorch有单独的源）

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

1. 创建新的虚拟环境

conda create -n 新环境名 python=版本号（新环境名自己随便取）

这里我用的：conda create -n py3.7 python=3.7

1. 激活/切换至新的虚拟环境

conda activate 环境名

这里我的是：conda activate py3.7

1. 安装Pytorch

首先到pytorch官网（https://pytorch.org/）根据自己的情况选择相应版本的安装指令

# V1.1.0  CUDA 10.0

conda install pytorch==1.1.0 torchvision==0.3.0 cudatoolkit=10.0 -c pytorch

末尾的 -c pytorch 要去掉，否则下载的源会默认是pytorch官方源，速度贼慢

1. 验证

输入python查看并进入python环境

在python交互页面输入

>>> import torch

>>> print(torch.__version__)

查看pytorch版本，若报错则说明安装失败

• 所需要的数据集与预训练模型

1. COCO2014 train and val images
2. COCOA annotations
3. KITTI dataset
4. KINS annotations
5. Model of the GCA Matting——gca-dist-all-data
6. pre-trained image inpainting model using partial convolution（PCNet-C用到）

        部分不好下载的已上传到G-Meteor/self-supervised-de-occlusion (github.com)

• 根据自述文件里的操作训练并评估PCNet-M与PCNet-C网络
• 评估结果(PCNet-M)

acc_allpair (accuracy for all pairs):  0.96014（遮挡顺序）

acc_occpair (accuracy for occluded pairs):  0.87112 （遮挡顺序）

mIoU (amodal修复):  0.81346

pAcc (pixel accuracy):  0.87744

• 可视化效果