顯著性檢測網路模型是基於pytorch深度學習框架進行搭建並參與訓練的，在實際應用和生產中，由於要滿足低延遲和嚴格部署要求，通常選用c++來進行推理過程。這裡的顯著圖推理模型c++轉換過程主要由以下幾個步驟組成：將pytorch網路模型轉換為torch script，並序列化為乙個檔案；配置編譯執行環境，在c++中載入模型引數，完成推理任務。
系統環境（windows）
電腦系統版本：windows 10
顯示卡版本：geforce rtx 2070(視訊記憶體8192mb)
編譯器：visual studio 2019 community
gcc版本：8.1.0
cmake版本：3.18.2
cuda版本：10.1，v10.1.243
cudnn版本：cudnn v8.0.2 for cuda 10.1
pytorch版本：stable(1.6.0)
libtorch-gpu版本：
libtorch-cpu版本：
opencv版本：
系統環境（linux）
linux系統版本：ubuntu 19.10
顯示卡版本：titan rtx(視訊記憶體24217mb)
gcc版本：gcc (ubuntu 7.5.0-3ubuntu1~19.10) 7.5.0
g++版本：g++ (ubuntu 7.5.0-3ubuntu1~19.10) 7.5.0
cmake版本：3.13.4-1build1
cuda版本：10.2, v10.2.89
cudnn版本：cudnn v8.0.1.13 for cuda 10.2
libtorch-gpu版本：
libtorch-cpu版本：
opencv版本：
網路模型
**說明
所有函式都在inference_cfile.cpp檔案中進行了說明：
calculate_sum(): 對單個區域tile塊內所有的顯著影象素值進行求和運算；
get_normalized_map(): 對區域級別的顯著圖中所有顯著值進行正則化，將每個顯著值除以所有的顯著值累加和；
get_saliency_map(): 給定saliency map的width和height，對畫素級別的顯著圖進行處理，獲取得到區域級別的顯著圖結果；
get_inference_result(): 給定輸入值和網路模型，經過推理過程得到相關結果；
inference_saliency_map(): 結合3、4的結果，獲取得到相對應的saliency map；
listtotensor(): 將影象資料集列表轉換成為模型推理所需要的資料型別；
print_map(): 輸出顯示單個saliency map結果；
print_maps(): 輸出顯示所有saliency map結果；
showusage(): 顯示使用說明；
commit_command(): 讀取外部傳入引數並進行解釋說明，執行相關推理任務。
cmakelists.txt 為環境編譯的檔案，具體內容見下面的**使用說明。
訓練網路模型權重引數為 convert_weights.pt。
可執行檔案為build/release中的inference_cfile.exe。
補充改進
**使用
環境編譯(windows)：在windows x64平台下，執行cmd，進入工程專案資料夾下，執行以下命令：
mkdir build
cd build
cmake -dcmake_prefix_path=d:\\configures\\libtorch-cpu(\\libtorch-gpu);d:\\configures\\opencv\\build\\x64\\vc15\\lib -dcmake_build_type=release .. -g "visual studio 16 2019"
cmake --build . --config release
.\release\inference_cfile.exe --images_root=../images --weights_file=../convert_weights.pt --tile_width=6 --tile_height=4 --verbose=trueopencv編譯：進入opencv原始碼目錄，執行以下命令：
mkdir release
cd release
cmake -d cmake_build_type=release -d cmake_install_prefix=/usr/local ..
make
mkdir build
cd build
cmake -dcmake_prefix_path=/home/librah/workspace/libtorch-cpu(/libtorch-gpu) -dcmake_build_type=release ..
make
./inference_cfile --images_root=../images --weights_file=../convert_weights.pt --tile_width=6 --tile_height=4 --verbose=truewindows系統：
linux系統：
參考文獻
[1] min k, corso j j. tased-net: temporally-aggregating spatial encoder-decoder network for video saliency detection[c]//proceedings of the ieee international conference on computer vision. 2019: 2394-2403.
[2]
[3] 在c++中載入torchscript模型:
說明
Pytorch 四 訓練模型
1.在前三部分已經分別完成了資料的處理 神經網路的定義，還有優化器 損失函式的選擇，這次我們將開始學習如何訓練模型。2.模型的訓練其實也是套路，大致分為一下五個部分。1 載入trainloader中的資料，並將其轉換為variable 形式的資料，作為神經網路的輸入。2 每次迴圈開始之前，確保梯度的...
pytorch模型訓練步驟
講解 textcnn模型 1.載入conf檔案 x import module models.model name config x.config dataset,embedding 2.載入model，初始化conf裡面值 model x.model config to config.device...
pytorch 修改預訓練模型
torchvision中提供了很多訓練好的模型，這些模型是在1000類，224 224的imagenet中訓練得到的，很多時候不適合我們自己的資料，可以根據需要進行修改。1 類別不同 coding utf 8 import torchvision.models as models 呼叫模型 mode...