Detector-in-Detector

“Detector-in-Detector: Multi-Level Analysis for Human-Parts” 的非官方实现：针对人体部位的多层次分析。

In English

简要引述

该项目基于TensorFlow目标检测框架Luminoth，并重载了Faster-RCNN接口，以实现简化形式的 Detector-in-Detector。

论文链接: https://arxiv.org/abs/1902.07017

安装

• 1 根据 https://github.com/tryolabs/luminoth 安装 luminoth
  
• 2 将下面的文件拷贝入 luminoth 源码工程文件路径:
  

train.py
models/fasterrcnn/__init__.py
models/fasterrcnn/detector_in_detector.py
models/fasterrcnn/part_detector.py
models/fasterrcnn/part_detector_rcnn.py
models/fasterrcnn/rcnn_overload.py
models/fasterrcnn/rcnn_proposal_overload.py
models/fasterrcnn/part_detector_roi_pool.py

predict.py
utils/detector_in_detector_predicting.py

训练过程

• 1 根据下面的链接下载论文中的数据集
  https://github.com/xiaojie1017/Human-Parts
  
• 2 根据 dataset_script/preprocess_dataset.py 来生成适合 luminoth
  使用的csv标注文件
  
• 3 根据 luminoth dataset api 生成 tfrecord 格式数据文件
  
• 4 使用 luminoth train -c dataset_script/start.yml 来训练
  
• 5 使用 tensorboard 来观察训练过程.
  
• 6 使用 luminoth predict -c dataset_script/start.yml 来预测
  

细节

如何调试源码

在训练过程中:
编辑 utils/hooks/image_vis_hook.py 从挂钩函数 after_run 中获得结果

在预测过程中:
编辑 utils/detector_in_detector_predicting.py

与 luminoth 的一些区别

这只是luminoth FasterRCNN 的编辑更改版本。与原版不同之处在于将 main_label_index 设置为区分主体（main_part 的）bbox和 身体组成成分的 bbox。

与论文实现叙述的区别

论文中使用人物的基准特征作为 padding 来进行早期训练过程，这里则被随机采样和概率阈值过滤替换。您可以尝试增加填充数量（即7）来逼近它。或者您也可以手动切换。

一些可能需要更改的实现缺陷

• 1 对于过滤脚本(filter script)的使用，数据增强配置仅限于翻转和随机噪声添加动作，有些数据增强操作可能会导致主要和部分的重叠为零，这对训练是有害的。这与身体(body)检测器和部件(part)检测器之间的构造有关，如果您可以积累样本并筛选有效样本的方式进行训练，您可以解决这个问题。
  

• 2 luminoth faster-rcnn 只支持 batch-size 1, 限制了训练效率.
  

• 3 没有重载 luminoth eval 和 网络服务部署接口 (较为简单)
  

Contact

svjack - [email protected] - [email protected]

Project Link:https://github.com/svjack/Detector-in-Detector