zhangqu

您好！请问夜间分割的文章的代码会开源吗？

my code: def get_se_resnet101(path_state_dict, device, vis_model=False): model = resnet_se.se_resnet101() if path_state_dict: pretrained_state_dict = torch.load(path_state_dict, map_location=torch.device('cpu')) model.load_state_dict(pretrained_state_dict, ) error: raise RuntimeError('Error(s) in loading state_dict for {}:\n\t{}'.format( RuntimeError: Error(s) in loading state_dict...

在Ubuntu中 adb not found

5

* 系统`Ubuntu 20.04` * cmake版本：`cmake version 3.22.2` * 用QT运行出界面后，出现： ``` update devices... "This software is completely open source and free. Use it at your own risk. You can download it...

imnet_feature_dist_classes=[6, 7, 11, 12, 13, 14, 15, 16, 17, 18]

1

Hello! * How to choose these classes in experiment? such as`traffic light`、`traffic sign`, etc. * Because in training, I observed `src.loss_imnet_feat_dist: nan`. * thanks!

rectified conv

1

您好!感谢您的这份工作。 您的`resnet.py`里，默认`rectified_conv=False`，在`resnest.py`创建`resnest`时也使用默认设置。 我想用`resnest101`或者`resnest269`作为主干网络，并使用预训练模型。 请问`rectified_conv`如果设置为`True`是否可能会对结果造成不利的影响？ 谢谢！

1. 通过图5，在训练前期，SSIM损失优先拟合前景和边界区域，会忽视背景的准确性，前景损失起关键作用，这有助于优化边界和前景。随着训练的进行，前景损失在降低，而背景的损失将会变为主要的损失。在训练的后期，BCE损失接近拟合(平坦)，而SSIM的背景损失依然存在，背景损失起主要作用，所以训练依然能够继续进行，让属于背景区域的预测值尽可能接近于0，图像更清晰。 2. 非边界区域的SSIM更容易拟合为1，Loss拟合为0。 请问我上面的理解是否准确？如果不准确请指正，谢谢

This is a very good project, may I ask why you didn't choose U2-net as the inference network of the project?

code of segmentation

1

Hello! Will the split training code be published？ thanks!

使用GPU训练时出现error in modulated_deformable_im2col_cuda: out of memory

2

您好，您的代码解决了我遇到的一些bugs。 但是在训练时我遇到一些错误。 * `error in modulated_deformable_im2col_cuda: out of memory`； 我查看如下了一些信息,如下： *  *  我设置的batch size为2，但我设置batch size=4的时候，cuda会直接中断退出。 谢谢您！ 跑着跑着，退出了。 ```bash File "/DCNv2/dcn_v2.py", in forward return dcn_v2_conv(input, offset, mask, self.weight, self.bias,...

重新标注的验证集

8

* 您好！ 我下载了您提供的谷歌云盘的val，您重新标注的val有1300张图片，其中`Dubai_0016_labelIds.png`应该不是属于验证集的，应该是训练集的。 * 能麻烦您检查一下您本地的文件，是否存在这个问题？