ACSCP_cGAN
ACSCP_cGAN copied to clipboard
Ling-Bao
输入图像尺寸大小问题
您好，看了您的一系列回答，代码中使用padding将图像尺寸固定，请问 1）怎样使用padding固定尺寸， 2）固定尺寸的同时，需要对密度图进行处理吗？
可以有几种不同的处理方法： （1）将原始图像resize到720x720，然后在生成人群密度图；但这种方法会改变人头对象的形状，感觉不是特别好； （2）保证原始图像短边大于720，然后生成人群密度图；使用的时候，在原始图像上随机crop 720x720的图像用于训练；我在训练的时候采用的是这种方法，可以保证不改变人头对象形状的条件下，对数据样本进行增广； （3）其它处理方法。
谢谢您的回复，还有一个问题，图像大小720和240的问题。 请问720是程序最初输入，而240是在大小为720的图像上进行数据扩增而来的吗？所以generator的输入图像大小为240？
ACSCP模型包括两个生成器：一个是G_large模型，输入为720x720；另一个是G_small，输入为240x240，由720x720图像等分为4块得到。论文作者认为4个小块的人群密度与整图的人群密度应该相等，设计了一个一致性损失，用于保证估计的人群密度图具有一致性。
也就是说G_large生成器输入为720x720；G_small生成器输入为240x240。
备注： 在进行预测时，仅使用G_large生成器模型进行人群密度的估计；同时，整个ACSCP模型为全卷积模型，所以训练完成后，G_large生成器模型的输入图像可以是任意大小（目前项目里的模型被我设置为了固定值）。
抱歉，我的训练数据集采用的是将图像resize为720x720, 然后再制作密度标签。
如果你需要自己制作密度标签，可以参考以下代码： https://github.com/Ling-Bao/ACSCP_cGAN/blob/master/data_maker/step3/acscp.m
或者这位作者的代码 https://github.com/leeyeehoo/CSRNet-pytorch/blob/master/make_dataset.ipynb
% 读取图片/密度预标签 Line 66
image = imread(img_path);
image_out = imresize(image, [720,720]);
% Line 97
I = imresize(I, [720,720]);
gt(:,1) = ceil(gt(:,1) * j_scale);
gt(:,2) = ceil(gt(:,2) * i_scale); % 坐标依次缩放
您好，非常感谢您的细心回复，论文中 有这么一句话‘The input sizes are 240 × 240 and 120×120 respectively, and the output sizes are the same as the input ones.’而且论文所给的结构图中也是这么标识的，所以我对这个720的尺寸还是有点不大理解。
被我记混了，训练时的输入是从720x720原始图像中crop 240 × 240的图像作为输入（可以看做增广）；测试的时候我将模型输入尺寸进行了修改，可以估计720x720原始图像的密度图（修改为其它尺寸也是可以的）
训练代码： https://github.com/Ling-Bao/ACSCP_cGAN/blob/master/model.py
# Line 42
def __init__(self, sess, image_size=240, batch_size=16, sample_size=1, output_size=240, df_dim=48, input_c_dim=3, output_c_dim=3, data_set_name='facades', checkpoint_dir=None, lambda_e=150, ambda_p=150, lambda_c=10):
测试代码： https://github.com/Ling-Bao/ACSCP_cGAN/blob/master/product.py
# 输入图像 Line 44
self.x = tf.placeholder(tf.float32, [1, 720, 720, 3])
Hi, you may be interested in my implementation in pytorch. It includes the density map generation. https://github.com/RQuispeC/pytorch-ACSCP
