ConvCRF

本仓库包含我们在 PyTorch 中提出的卷积条件随机场的参考实现（TensorFlow 版本正在计划中）。两个主要的入口文件是 demo.py 和 benchmark.py。demo.py 对单张输入图像执行 ConvCRF 推断，而 benchmark.py 则将 ConvCRF 与 FullCRF 进行对比。这两个脚本都会输出类似于下方所示的图表。

要求

平台: Linux, Python 3 >= 3.4（或 Python 2 >= 2.7）、PyTorch 0.4（或 PyTorch 0.3 + pyinn）、CUDA、cuDNN

Python 包: numpy、imageio、cython、scikit-image、matplotlib

要安装这些 Python 包，请运行 pip install -r requirements.txt 或 pip install numpy imageio cython scikit-image matplotlib。建议使用 Python 虚拟环境。

可选包：pyinn、pydensecrf

pydensecrf 是运行 FullCRF 所必需的，而 FullCRF 仅在基准测试中需要。要安装 pydensecrf，可以按照 此处 的说明操作，或者直接运行 pip install git+https://github.com/lucasb-eyer/pydensecrf.git。警告：运行 pip install git+ 会从互联网下载并安装外部代码。

PyINN 允许我们编写原生 CUDA 操作，并在运行时即时编译。PyINN 用于我们最初的 ConvCRF 实现，对使用 PyTorch 0.3 的用户来说是必需的。PyTorch 0.4 引入了 Im2Col 层，使得完全在 PyTorch 中实现 ConvCRF 成为可能。PyINN 可以作为替代后端使用。运行 pip install git+https://github.com/szagoruyko/pyinn.git@master 即可安装 PyINN。

执行

演示: 运行 python demo.py data/2007_001288_0img.png data/2007_001288_5labels.png，即可对单张图像执行 ConvCRF 推断。尝试运行 python demo.py --help 查看更多选项。

基准测试: 运行 python benchmark.py data/2007_001288_0img.png data/2007_001288_5labels.png，即可比较 ConvCRF 和 FullCRF 的性能。该脚本还会显示 ConvCRF 相对于 FullCRF 的加速倍数。在我的系统上，ConvCRF7 的速度比 FullCRF 快 40 多倍，而 ConvCRF5 则快 60 多倍。

引用

如果您从本项目受益，请考虑引用我们的 论文。

待办事项

• 构建原生 PyTorch 0.4 版本的 ConvCRF 实现
• 提供 Python 2 版本的实现
• 构建 ConvCRF 的 TensorFlow 版本

ConvCRF 快速上手指南

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统: Linux
• Python 版本: Python 3.4+ (或 Python 2.7+)
• 深度学习框架: PyTorch 0.4 (推荐) 或 PyTorch 0.3 + PyINN
• 硬件加速: CUDA 和 cuDNN
• 核心依赖库: numpy, imageio, cython, scikit-image, matplotlib

注意：若需运行基准测试（Benchmark）以对比 FullCRF 性能，还需安装可选依赖 pydensecrf。若使用 PyTorch 0.3 版本或希望使用替代后端，需安装 pyinn。

安装步骤

建议先创建并激活 Python 虚拟环境，然后执行以下命令安装依赖。

1. 安装核心依赖

pip install -r requirements.txt
# 或者手动安装：
pip install numpy imageio cython scikit-image matplotlib

(国内用户可添加 -i https://pypi.tuna.tsinghua.edu.cn/simple 参数以加速下载)

2. 安装可选依赖（按需）

安装 pydensecrf (仅用于基准测试对比):

pip install git+https://github.com/lucasb-eyer/pydensecrf.git

安装 PyINN (仅用于 PyTorch 0.3 或作为替代后端):

pip install git+https://github.com/szagoruyko/pyinn.git@master

基本使用

本项目主要提供两个入口脚本：demo.py 用于单图推理，benchmark.py 用于性能对比。

1. 单图推理 (Demo)

对单张输入图像执行 ConvCRF 推理。请将路径替换为您实际的图片路径。

python demo.py data/2007_001288_0img.png data/2007_001288_5labels.png

• 第一个参数：输入图像路径
• 第二个参数：标签图像路径
• 查看更详细选项：python demo.py --help

2. 性能基准测试 (Benchmark)

对比 ConvCRF 与 FullCRF 的性能及速度差异。

python benchmark.py data/2007_001288_0img.png data/2007_001288_5labels.png

• 该脚本将输出性能对比图表及速度倍数（在典型配置下，ConvCRF 可比 FullCRF 快 40-60 倍）。