系列文章目錄
- 跑通代碼—CVPR2020–StegaStamp: Invisible Hyperlinks in Physical Photographs
- 跑通代碼—WACV2020-Dense Extreme Inception Network: Towards a Robust CNN Model for Edge Detection
文章目錄
- 系列文章目錄
- 前言
- 一、官方代碼介紹
- 二、DIV2K資料集的下載
- 三、測驗官方模型
- 3.1 測驗說明
- 3.2 結果展示
- 3.3 訓練模型
- 3.4 測驗訓練模型的結果
- 四、避坑指南
- 總結
前言
關于論文的詳解請參考博文：基于可逆神經網路的影像隱藏技術 (ICCV 2021) - HiNet: Deep Image Hiding by Invertible Network
一、官方代碼介紹
官方代碼鏈接HiNet 下載或者直接git clone之后有以下檔案，model下面儲存模型，測驗時選擇官方的模型model.pt，訓練階段會按照生成頻率50個epoch生成訓練的模型，
二、DIV2K資料集的下載
DIV2K資料集，下載最后兩個High Resolution Images，
將下載的800張訓練資料集DIV2K_train_HR和100張測驗資料集DIV2K_valid_HR放在dataset檔案夾中，
三、測驗官方模型
3.1 測驗說明
將官方的模型放在檔案model/model.pt，然后修改config.py對應的引數，主要時模型的路徑，資料集的路徑，直接運行test.py，測驗程序中會在image下四個子檔案中生成對應的宿主影像、水印影像、嵌入水印之后的影像和提取水印的影像，
3.2 結果展示
第一排是原始的宿主影像，第二排是原始的水印影像，也就是需要嵌入到原始宿主影像的資訊，第三排是嵌入水印影像之后的影像，能看到，嵌入水印之后的影像與原始的影像非常的相似，肉眼幾乎無法分辨，說明演算法的不可感知性很好，最后一排是提取出來的水印影像，與第二排的原始水印影像很相近，說明演算法的魯棒性很好，恢復水印影像的能力很強，在影像水印演算法中，應該對嵌入水印影像之后的影像進行影像攻擊，然后再提取水印影像，如果依然能很好的提取出來水印圖新，說明演算法的魯棒性很好，這里的攻擊可以是噪聲攻擊，濾波攻擊，幾何攻擊等等，
3.3 訓練模型
運行train.py檔案，便能開始訓練，
3.4 測驗訓練模型的結果
訓練200多個epoch之后，使用保存的model_checkpoint_00200.pt進行測驗，還是使用dataset的資料集，只需要將config.py中的第56行改成 suffix = ‘model_checkpoint_00200.pt’，其他的和測驗官方模型一樣，得到的結果如下，與官方的模型結果不分伯仲，
四、避坑指南
- 有的包報錯，說沒有dll檔案，明明自己安裝了包，就是報錯，最好的辦法就是卸了重新裝一遍，
- 訓練時出現freeze_support()錯誤可以將datasets.py第64行改成num_workers=0，測驗時出現freeze_support()錯誤可以修改datasets.py第73行改成num_workers=0，
- 遇到GPU記憶體溢位的時候減少config.py第16行的batch_size，實驗所用顯卡是1050 Ti，batch_size=2不會溢位，
總結
跑通了ICCV2021的一篇關于影像隱藏演算法的程式，整個程式寫的非常好，條理清晰，很容易就能跑通程式，得到論文中的結果，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/384141.html
標籤：其他