Skip to content

qfardet/Pandora_MCCNN

 
 

Repository files navigation

MC-CNN

MC-CNN [1] est un réseau de neurones qui produit un coût de mise en correspondance entre deux imagettes.

Installation

    pip install mc-cnn

From sources

    git clone https://gitlab.cnes.fr/OutilsCommuns/CorrelateurChaine3D/mc-cnn.git
    pip install -e mc-cnn

Utilisation

Création des bases d'apprentissage

Les scripts du dossier preprocessing, permettent de créer des bases d'apprentissage hdf5.

Entrainement des réseaux mc-cnn fast et accurate

    python mc_cnn/train.py -h
    usage: train.py [-h] injson outdir
    
    positional arguments:
      injson      Input json file
      outdir      Output directory
    
    optional arguments:
      -h, --help  show this help message and exit

Le fichier injson contient les paramètres d'entrainement, il est de la forme :

    {
       "network": "accurate",
       "dataset": "middlebury",
       "training_sample": "training_dataset.hdf5",
       "training_image": "images.hdf5",
       "testing_sample": "testing_dataset.hdf5",
       "testing_image": "images.hdf5",
       "dataset_neg_low": 1.5,
       "dataset_neg_high": 18,
       "dataset_pos": 0.5,
       "data_augmentation": false,
   
       "augmentation_param":{
         "scale": 0.8,
         "hscale": 0.8,
         "hshear": 0.1,
         "trans": 0,
         "rotate": 28,
         "brightness": 1.3,
         "contrast": 1.1,
         "d_hscale": 0.9,
         "d_hshear": 0.3,
         "d_vtrans": 1,
         "d_rotate": 3,
         "d_brightness": 0.7,
         "d_contrast": 1.1
       }
   }

Des exemples sont disponibles dans le dossier training_config.

Utilisation des réseaux mc-cnn fast et accurate

L'utilisation des réseaux mc-cnn fast et accurate se fait via Pandora, avec le plugin plugin_MC-CNN.

[1][ŽBONTAR, Jure et LECUN, Yann. Stereo matching by training a convolutional neural network to compare image patches. The journal of machine learning research, 2016, vol. 17, no 1, p. 2287-2318.]

About

No description, website, or topics provided.

Resources

License

Stars

Watchers

Forks

Packages

No packages published

Languages

  • Python 100.0%