Syn2Real

@InProceedings{Yasarla_2020_CVPR,
author = {Yasarla, Rajeev and Sindagi, Vishwanath A. and Patel, Vishal M.},
title = {Syn2Real Transfer Learning for Image Deraining Using Gaussian Processes},
booktitle = {The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
month = {June},
year = {2020}
}Мы предлагаем фреймворк полунадзорного обучения на основе гауссовских процессов, который позволяет сети обучаться очистке изображений от дождевых следов, используя синтетический набор данных, при этом лучше обобщаясь на ненаклассифицированных реальных изображениях. Через широкие эксперименты и аблацию на нескольких сложных наборах данных (например, Rain800, Rain200H и DDN-SIRR), мы показываем, что предложенный метод, когда он обучается на ограниченном количестве меткированных данных, достигает аналогичной производительности по сравнению с полностью меткарованным обучением. Кроме того, мы демонстрируем, что использование ненаклассифицированных реальных изображений в предложенном фреймворке на основе гауссовских процессов приводит к лучшей производительности по сравнению с существующими методами.## Расширение журнала:

## Для тестирования Syn2Real:
 1.  Укажите файл с тестовым набором данных в строке 57 файла `test.py`, например

 val_filename = 'SIRR_test.txt'

2.  Выполните следующую команду

 python test.py -category derain -exp_name DDN_SIRR_withGP

## Для обучения Syn2Real:
1.  Укажите отмеченные, незамеченные и проверочные наборы данных в строках 119-121 файла `train.py`, например

 labeled_name = 'DDN_100_split1.txt'
 unlabeled_name = 'real_input_split1.txt'
 val_filename = 'SIRR_test.txt'

2.  Выполните следующую команду для обучения базовой сети без гауссовских процессов

 python train.py -train_batch_size 2 -category derain -exp_name DDN_SIRR_withoutGP -lambda_GP 0.00 -epoch_start 0

3.  Выполните следующую команду для обучения модели Syn2Real (CVPR'20)

 python train.py -train_batch_size 2 -category derain -exp_name DDN_SIRR_withGP -lambda_GP 0.0015 -epoch_start 0 -version version1

4.  Выполните следующую команду для обучения модели Syn2Real++ (представленной в журнале, модификация ГП на уровне карт признаков)

 python train.py -train_batch_size 2 -category derain -exp_name DDN_SIRR_withGP -lambda_GP 0.0015 -epoch_start 0 -version version2

## Кросс-доменные эксперименты и гауссовские ядра

Кросс-доменные эксперименты выполняются с использованием набора данных DIDMDN как исходного набора данных, а также других наборов данных, таких как Rain800, JORDER_200L, DDN.```
----------------------------------------------------
Исходные наборы данных | Целевые наборы данных                
----------------------------------------------------
DIDMDN                 | Rain800, JORDER_200L, DDN            
----------------------------------------------------

-kernel_type <линейное или квадратичное экспоненциальное или рациональное квадратическое>

Для использования этого GP_new_fast.py:
    закомментируйте строку 14 в файле `train.py`
    и раскомментируйте строку 15 в файле `train.py`

    python train_new_comb.py -train_batch_size 2 -category derain -exp_name DDN_SIRR_withGP -lambda_GP 0.0015 -epoch_start 0 -version version1