SSAP [Proposal-freeなInstance Segmentation手法] の紹介と実験で使用したプログラムです.
├─ README.md # プロジェクトの説明
├─ requirements.txt # すべてのPythonプログラムのベースとなるPythonパッケージ
├─ data/ # データフォルダ
│ ├─ train2014/ # COCO2014の学習データ
│ ├─ val2014/ # COCO2014の評価データ
│ ├─ annotations/ # COCO2014のannotationデータ
│ │ ├─ instances_train2014.json # 学習データのannotationデータ
│ │ └─ instances_val2014.json # 評価データのannotationデータ
│ ├─ t_class_name.txt # 各クラスの名前
│ ├─ t_color.txt # 各クラスのSemantic Segmentationの色
│ └─ resize/ # resizeしたデータ
│ ├─ train2014/ # resizeした学習データ
│ ├─ val2014/ # resizeした評価データ
│ ├─ semantic_train/ # Semantic Segmentationの正解データ（学習データ）
│ ├─ semantic_val/ # Semantic Segmentationの正解データ（評価データ）
│ ├─ instance_train/ # Instance Segmentationの正解データ（学習データ）
│ └─ instance_val/ # Instance Segmentationの正解データ（評価データ）
├─ notebooks/ # Jupyter Notebook
│ ├─ SSAP.ipynb # SSAPの実行
│ └─ make_coco_dataset.ipynb # 実験に使用するデータの作成
├─ src/ # pythonモジュール
└─ exp/ # 学習・推論の実行情報と実行結果の保存先
├─ exp_1/ # 実験ごとにフォルダを分ける
│ ├─ graph/ # lossの推移を示すグラフ
│ ├─ metrics/ # 評価結果
│ ├─ trained_model/ # 学習モデル
│ └─ log # log
├─ exp_2/
requirements.txtに書かれているライブラリをインストールしてください．- MSCOCOのホームページから学習/評価画像とそのアノテーションデータをダウンロードし，
data/以下に格納してください(ブログでは2014年のデータを使用しました)． make_coco_dataset.ipynbを上から実行することで，アノテーションデータからSegmentation maskを作成し，データのresizeとcropを行います．3つ目のセルでtrain/valが変更できるので，これを変更し学習データと評価データを作成します．SSAP.ipynbを上から実行していくことで、学習/評価が行えます.
SSAP: Single-Shot Instance Segmentation With Affinity Pyramid