基于知识蒸馏的两阶段去雨、雪、雾算法调试记录

前言

该项目的介绍可以参考博主这篇博文：基于知识蒸馏的去雪、去雾、去雨算法

在这里插入图片描述

调试过程

该项目中inference.py可以直接使用，只要将student的权重文件放入即可，博主实验过其去噪后的结果，貌似是变清晰了一点。但train时的meta里的json文件没有找到，作者指出meta文件是需要自己构建。
按照其要求，结构如下：

在这里插入图片描述

json文件结构如下：

在这里插入图片描述

最终我们按照指定格式生成了对应的json地址文件

在这里插入图片描述

生成代码很简单，因为文件命名是有顺序的，所以不需要读取目录生成。

gt_path="D:/CSD/Test/Gt/"
input_path="D:/CSD/Test/Snow/"for i in range(1,20):path1=gt_path+str(i)+".tif"path2=input_path+str(i)+".tif"path='"'+path1+'",\n'+'"'+path2+'"'with open('test.json', 'a') as f:f.write("["+path+"],\n")

随后配置train.py的相关参数即可，值得注意的是，readme中给出的运行方式如下：

python train.py --teacher TEACHER_CHECKPOINT_PATH_0 TEACHER_CHECKPOINT_PATH_1 TEACHER_CHECKPOINT_PATH_2 --save-dir RESULTS_WILL_BE_SAVED_HERE

其中–teacher参数指的是已经训练好的教师网络的权重文件，但如果我们不使用命令运行，而是想直接运行python文件的话却会报错，经过定位可知，这是由于权重文件读取失败导致的，只需要修改一下参数，将权重文件之间加一个逗号。

parser.add_argument('--teachers', default="weights/CSD-teacher.pth,weights/Rain1400-teacher,weights/ITS-OTS-teacher",type=str, nargs='+')

随后在读取权重文件之前加上如下代码就OK了。

teachers=args.teachers.split(",")

完整代码如下：

teachers=args.teachers.split(",")
for checkpoint_path in teachers:checkpoint = torch.load(checkpoint_path)teacher = net_func().cuda()teacher.load_state_dict(checkpoint['state_dict'], strict=True)teacher_networks.append(teacher)print(Fore.MAGENTA + "Loading teacher model from '{}' ...".format(checkpoint_path) + Style.RESET_ALL)