DFL-CNN 使用教程

DFL-CNN 使用教程

DFL-CNN This is a pytorch re-implementation of Learning a Discriminative Filter Bank Within a CNN for Fine-Grained Recognition 项目地址: https://gitcode.com/gh_mirrors/df/DFL-CNN

1. 项目介绍

DFL-CNN 是一个基于 PyTorch 的细粒度分类器，它是对 CVPR 2018 论文《Learning a Discriminative Filter Bank Within a CNN for Fine-Grained Recognition》的简单重实现。该项目使用了 VGG16 作为基础网络，并通过全局平均池化来减少参数。训练在 4 块 Titan V 显卡上进行，经过 120 个周期后，在 batchsize 为 56 的情况下，得到了 Top1 为 85.140%，Top5 为 96.237% 的结果。

2. 项目快速启动

环境准备

确保已经安装了 PyTorch 和其他必要的 Python 库。

数据集准备

你可以从以下地址下载 CUB-200-2011 数据集：

wget http://www.vision.caltech.edu/visipedia-data/CUB-200-2011/CUB_200_2011.tgz

或者从百度云链接获取。下载后，需要将数据集链接到项目目录：

ln -s ./train path/to/code/dataset/train
ln -s ./test path/to/code/dataset/test

训练与测试

修改 run.sh 文件中的 GPU 配置，然后运行：

sh run.sh

训练过程中，损失信息会保存在 log/ 目录中。权重文件（checkpoint.pth.tar 和 model_best.pth.tar）会保存在 weight/ 目录中。

可视化

将想要可视化的图片放在 vis_img/ 目录下，命名为 number.jpg。训练过程中，每隔一些周期，十个最佳斑块的结果会被保存在 vis_result/ 目录中。

3. 应用案例和最佳实践

• 数据增强：使用 TenCrop 变换可以在测试时进一步提高结果。
• 模型调整：可以尝试使用 ResNet-101 或者多尺度 DFL-CNN 来改进模型性能。

4. 典型生态项目

目前没有列出具体的生态项目，但你可以通过搜索和查看其他使用 PyTorch 进行细粒度分类的项目来扩展 DFL-CNN 的应用范围。

DFL-CNN This is a pytorch re-implementation of Learning a Discriminative Filter Bank Within a CNN for Fine-Grained Recognition 项目地址: https://gitcode.com/gh_mirrors/df/DFL-CNN