文件名称：MiB:建模语义分割中的增量学习背景的官方代码https
文件大小：13.75MB
文件格式：ZIP
更新时间：2024-06-03 06:40:04
Python
建模语义分割中的增量学习背景 这是我们工作的正式PyTorch实施：“在CVPR 2020中接受了“为语义分割中的增量学习建模背景”。 在本文中，我们提出了一种新颖的方法，并为语义分段中的增量学习定义了新的评估基准。 我们评估了我们的方法和以前的最新方法在Pascal-VOC 2012和ADE20K数据集上的性能。 要求 该存储库使用以下库： 巨蟒（3.6） 火炬（1.2） 火炬视觉（0.4.0） tensorboardX（1.8） 顶点（0.1） matplotlib（3.3.1） numpy的（1.17.2） （1.0.7） 我们还假定已安装pytorch.distributed软件包。 为了方便您安装所有依赖项，我们为您提供了必要文件（requirements.txt）。 如何下载资料 在此项目中，我们使用两个数据集ADE20K和Pascal-VOC2012。我
【文件预览】：
MiB-master
----voc-tab.png(971KB)
----train.py(11KB)
----utils()
--------regularizer.py(13KB)
--------utils.py(6KB)
--------loss.py(6KB)
--------__init__.py(118B)
--------scheduler.py(431B)
--------logger.py(3KB)
----models()
--------util.py(128B)
--------__init__.py(22B)
--------resnet.py(4KB)
----metrics()
--------stream_metrics.py(5KB)
--------__init__.py(60B)
----ade-tab.png(620KB)
----modules()
--------deeplab.py(4KB)
--------misc.py(337B)
--------residual.py(7KB)
--------__init__.py(124B)
----ContinualAISlides.pdf(11.81MB)
----run.py(17KB)
----requirements.txt(3KB)
----dataset()
--------transform.py(24KB)
--------utils.py(3KB)
--------__init__.py(122B)
--------voc.py(6KB)
--------ade.py(6KB)
----LICENSE(1KB)
----tasks.py(7KB)
----README.md(5KB)
----ADE-Split.ipynb(16KB)
----data()
--------voc()
--------.DS_Store(8KB)
--------download_voc.sh(534B)
--------ade()
--------download_ade.sh(173B)
----argparser.py(11KB)
----segmentation_module.py(4KB)
----teaser.png(994KB)