DAPS论文地址参见是ECCV2022的中稿工作,论文全名为Domain Adaptive Person Search。该方法基于SeqNet,在CUHK-SYSU和PRW两个数据集之间测试了互相的迁移性能,并针对行人搜索这一任务提出了新的域自适应方法。
如下为MindSpore使用CUHK-SYSU数据集对DAPS进行训练的示例。该项目的Pytorch实现版本可以参考
Source | Target | mAP | Top-1 |
---|---|---|---|
PRW | CUHK-SYSU | 78.5 | 80.7 |
CUHK-SYSU | PRW | 35.3 | 80.2 |
- 硬件
- 准备Ascend处理器搭建硬件环境。
- 框架
- MindSpore,本模型编写时版本为r1.2,12.30更新由r1.5编写的版本。
- 如需查看详情,请参见如下资源:
- MindSpore教程
- [MindSpore Python API](
.
└─project1_fasterrcnn
├─README.md
├─scripts
└─run_eval_ascend.sh
└─run_eval_gpu.sh
└─run_eval_cpu.sh
├─src
├─FasterRcnn
├─__init__.py
├─hm.py // reid所使用的混合memory定义
├─cluster.py // 聚类方法
├─jaccad.py // 计算jaccad距离
├─anchor_generator.py // 生成anchor
├─faster_rcnn_r50.py // 模型定义
├─fpn_neck.py // neck层
├─rcnn.py // head(检测和重识别头)
├─resnet50.py // ResNet-50
├─roi_align.py // ROI Align层
└─rpn.py // Region Proposal Network
├─config.py
├─dataset.py
├─lr_schedule.py
├─network_define.py
└─util.py
├─cocoapi
├─pretrained_faster_rcnn.ckpt
├─eval.py // evaluation script
└─train.py // training script
pip install -r requirements.txt
# install COCO evaluation API
cd cocoapi/PythonAPI
python setup.py install
执行如下命令
# evaluate (on Ascend/GPU/CPU. Choose one according to your device.)
sh ./scripts/run_eval_ascend.sh [VALIDATION_JSON_FILE] [CHECKPOINT_PATH]
sh ./scripts/run_eval_gpu.sh [VALIDATION_JSON_FILE] [CHECKPOINT_PATH]
sh ./scripts/run_eval_cpu.sh [VALIDATION_JSON_FILE] [CHECKPOINT_PATH]