图像匹配的superpoint算法训练

官方没有开源的训练代码，从github上找了野生的基于pytorch实现训练。

1.检测器magicpoint以及人工数据的生成

2.用magicpoint给自己的数据集打上伪标签

我没有训练magicpoint了，直接用已经训练好的预训练权重，在这里：

2.1 main

自己编写一个文件然后运行，内容如下下面

这是官方的说明：

其中
任务：export_detector_homoAdapt
配置文件： “configs/magicpoint_coco_export.yaml”
输出保存伪标签的文件夹：“magicpoint_synth_homoAdapt_uavtianda0002_train”

2.2 接下来我们看setting.py文件

DATA_PATH = 'zz_datasets' # path for datasets 也就是输入图片存放的位置
EXPER_PATH = 'zz_logs' # path for saving checkpoints 也就是输出图片存放的位置，伪标签也在。
SYN_TMPDIR = './zz_temp_datasets/'  # path for dumping synthetic data 没啥用
DEBUG = False # true: will make synthetic data only uses draw_checkboard and ignore other classes，
# DEBUG = False

前面提到的"magicpoint_synth_homoAdapt_uavtianda0002_train"也就是在’zz_logs’ 文件夹下，这个你可以自己命名

2.3然后看yaml配置文件

data:
    dataset: 'Coco'  # 'coco' 'hpatches'
    export_folder: 'val' # train, val  
    preprocessing:
        resize: [240, 320] 
        # resize: [480, 640] 
    gaussian_label:
        enable: false # false
        sigma: 1.
    augmentation:
        photometric:
            enable: false
    homography_adaptation:
        enable: true
        num: 100 # 100
        aggregation: 'sum'
        filter_counts: 0
        homographies:
            params:
                translation: true
                rotation: true
                scaling: true
                perspective: true
                scaling_amplitude: 0.2
                perspective_amplitude_x: 0.2
                perspective_amplitude_y: 0.2
                allow_artifacts: true
                patch_ratio: 0.85

training:
    workers_test: 2

model:
    # name: 'SuperPointNet' # 'SuperPointNet_gauss2'
    name: 'SuperPointNet_gauss2' # 'SuperPointNet_gauss2'
    params: {
    }    
    batch_size: 1
    eval_batch_size: 1
    detection_threshold: 0.015 # 0.015
    nms: 4
    top_k: 600
    subpixel:
        enable: true

# pretrained: 'logs/magicpoint_synth20/checkpoints/superPointNet_200000_checkpoint.pth.tar' # 'SuperPointNet'
pretrained: 'logs/magicpoint_synth_t2/checkpoints/superPointNet_100000_checkpoint.pth.tar'

data:
    dataset: 'Coco'  # 'coco' 'hpatches'
    export_folder: 'val' # train, val

这两行的意思就是，datasets文件夹里的Coco.py文件。
第三行为任务，可以是train也可以是val。生成训练集和验证集在不同文件夹

Coco.py的第57行定义了输入图片的位置

    def __init__(self, export=False, transform=None, task='train', **config):

        # Update config
        self.config = self.default_config
        self.config = dict_update(self.config, config)
        # dict_update(self.config, config)
        self.transforms = transform
        self.action = 'train' if task == 'train' else 'val'

        # get files
        base_path = Path(DATA_PATH, 'uav_tianda/' + task + '2014/')

下面是伪标签的保存地址，yaml文件中的export_folder: 设置为val和train各跑一次代码，得到两个文件夹里的伪标签。

3.使用带为伪标签的数据进行训练得到superpoint

3.1 main函数

定义这样一个函数，然后运行

这是官网的介绍：

superpoint_uavtianda_visdrone是训练好的权重的内容。

3.2看看yaml配置文件

data:
    # name: 'coco'
    dataset: 'Coco' # 'coco'

#    labels: datasets/magicpoint_synth20_homoAdapt100_coco_f1/predictions
    labels: zz_logs/magicpoint_synth_homoAdapt_uavtianda_train/predictions
#    root: # datasets/COCO
    root: # zz_datasets/uav_tianda
    root_split_txt: # /datasets/COCO

注意labels一定要到predictions这一层，才能找到标签文件。

用于训练的图片在这：