# deeplearning

**Repository Path**: jinghenggao/deeplearning

## Basic Information

- **Project Name**: deeplearning
- **Description**: 南开大学 深度学习课程 课程大作业
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-04-13
- **Last Updated**: 2026-06-30

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# ECSSD 显著性目标检测实验

本仓库包含四路方法：`poolnet/`、`EGNet/`、`EGNetSCR/` 和 `cpsnet/`。数据集统一放在 `dataset/ECSSD/`，评测统一使用 SalMetric 风格的 `Max F-measure` 和 `MAE`。

## 环境

```powershell
Set-ExecutionPolicy -Scope Process Bypass
.\setup_windows_conda.ps1
conda activate ecssd
cd D:\nankai\deeplearning\final
```

## 数据划分

```powershell
.\poolnet\scripts\make_ecssd_split.ps1
```

生成固定 `seed42` 划分：

```text
dataset/ECSSD/splits/seed42/train.txt
dataset/ECSSD/splits/seed42/test.txt
dataset/ECSSD/splits/seed42/train_dev.txt
dataset/ECSSD/splits/seed42/val_dev.txt
```

## 共享基础权重

四路方法的当前复现入口统一使用 ResNet-18 ImageNet 初始化权重：

```text
weights/resnet18_imagenet.pth
```

若文件缺失，下载 `https://download.pytorch.org/models/resnet18-f37072fd.pth` 后按上述文件名保存。

## PoolNet

```powershell
.\poolnet\scripts\train_poolnet_res18_ecssd.ps1 full
.\poolnet\scripts\test_poolnet_res18_ecssd.ps1
.\poolnet\scripts\eval_ecssd_salmetric.ps1
```

结果文件：

```text
poolnet/results/poolnet_res18_ecssd_metrics.txt
```

## EGNet

当前本地 EGNet 使用 ResNet-18 复现版本，初始化权重为：

```text
weights/resnet18_imagenet.pth
```

训练、测试和评测：

```powershell
python -B EGNet\run.py `
  --mode train `
  --train_root dataset\ECSSD `
  --train_list dataset\ECSSD\splits\seed42\train.txt `
  --save_fold EGNet\results\egnet_train `
  --epoch 30 `
  --batch_size 1 `
  --num_thread 0

python -B EGNet\run.py `
  --mode test `
  --sal_mode e `
  --test_mode 1 `
  --model EGNet\results\egnet_train\run-nnet\models\final_bone.pth `
  --num_thread 0

.\EGNet\scripts\eval_egnet_ecssd_salmetric.ps1
```

结果文件：

```text
EGNet/results/egnet_ecssd_metrics.txt
```

## EGNet-SCR

`EGNetSCR/` 是在 EGNet 思路上做的独立增强版本，和原始 `EGNet/` 分开维护，不再修改原目录代码。当前版本命名为 EGNet-SCR，核心是 structure-consistent refinement：

- context-edge residual refinement head
- weighted BCE + weighted IoU structure loss
- base-final structure supervision and refine stability loss
- saliency-edge consistency 与 hflip consistency
- hflip test-time averaging; agreement gate remains available for ablation
- 固定随机种子与可复现实验脚本

初始化权重放在：

```text
weights/resnet18_imagenet.pth
```

完整复现：

```powershell
.\EGNetSCR\scripts\reproduce_egnet_scr_ecssd.ps1
```

或分开运行：

```powershell
.\EGNetSCR\scripts\train_egnet_scr_ecssd.ps1
.\EGNetSCR\scripts\test_egnet_scr_ecssd.ps1
.\EGNetSCR\scripts\eval_egnet_scr_ecssd_salmetric.ps1
```

结果文件：

```text
EGNetSCR/results/egnet_scr_res18_ecssd_metrics.txt
```

## CPSNet

`cpsnet/` 是本仓库新建的主线方法：

```text
ResNet-18 encoder + FPN decoder + foreground/background prototype refinement
+ uncertainty weighted loss + boundary band weighted loss
+ reliable prototype thresholds + residual refinement calibration + HFlip TTA
+ optional PoolNet-style global pooling guidance
+ optional EGNet-style edge guidance and edge supervision
+ DPC logit calibration head and calibration L1 loss
```

CPSNet 现在吸收了 PoolNet 和 EGNet 中比较可靠的思想，但不引用它们的训练权重：

- PoolNet：用深层全局池化上下文增强主体定位。
- EGNet：用低层边缘分支做辅助监督，并把边缘置信图作为 refinement cue。
- DPC：把主体定位 logits 和最终概率图校准解耦，用可学习 logits calibration head 做实验性概率校准；全量结果未优于 guided 主线。

ResNet-18 初始化权重放在：

```text
weights/resnet18_imagenet.pth
```

运行：

```powershell
.\cpsnet\scripts\train_cpsnet_res18_ecssd.ps1 full
.\cpsnet\scripts\test_cpsnet_res18_ecssd.ps1
.\cpsnet\scripts\eval_cpsnet_ecssd_salmetric.ps1
```

以上默认运行 `guided` 变体，也就是 PoolNet-style global guidance + EGNet-style edge guidance。复跑旧 CPSNet baseline 或 DPC 实验分支：

```powershell
.\cpsnet\scripts\train_cpsnet_res18_ecssd.ps1 full baseline
.\cpsnet\scripts\test_cpsnet_res18_ecssd.ps1 "" hflip baseline
.\cpsnet\scripts\eval_cpsnet_ecssd_salmetric.ps1 "" "" "" baseline

.\cpsnet\scripts\train_cpsnet_res18_ecssd.ps1 full dpc
.\cpsnet\scripts\test_cpsnet_res18_ecssd.ps1 "" hflip dpc
.\cpsnet\scripts\eval_cpsnet_ecssd_salmetric.ps1 "" "" "" dpc
```

默认测试使用 HFlip TTA、`fg_threshold=0.72`、`bg_threshold=0.32`。主线 guided 使用 `refine_scale=1.5`，DPC 显式运行时使用模型自身的 `prediction_logits`。若要单次前向测试：

```powershell
.\cpsnet\scripts\test_cpsnet_res18_ecssd.ps1 "" single
```

结果文件：

```text
cpsnet/results/cpsnet_res18_ecssd_pool_edge_tta_hflip_metrics.txt
```

## 当前结果

ECSSD `seed42` 测试集结果：

| Method                   | Max F-measure |        MAE |
| ------------------------ | ------------: | ---------: |
| PoolNet-ResNet18         |     0.8619241 | 0.07858574 |
| EGNet-ResNet18           |     0.8889621 | 0.06815438 |
| EGNet-SCR-ResNet18      |     0.8979639 | 0.05943531 |
| CPSNet-ResNet18          |      0.871875 | 0.08209577 |

EGNet-SCR 当前记录来自 `EGNetSCR/results/egnet_scr_res18_ecssd_metrics.txt`，对应 ResNet-18、hflip averaging 和 `edge_blend=0.10` 的默认测试设置。`CPSNet-PoolEdge guided` 相比旧 CPSNet 提升了 Max F-measure，但 MAE 变差，说明融合分支让最佳阈值下的主体分割更强，但整体概率图的像素级误差更高。DPC-CPSNet 的全量实验没有解决这个校准问题，MAE 进一步变差，因此当前默认主线保留 guided。

CPSNet 的完整试错记录、失败分支代码和历史指标保存在：

```text
cpsnet_development_history/
```

## 可视化分析

根目录提供 `matplotlib` 可视化脚本，默认比较 PoolNet、EGNet 和当前主线 CPSNet；如需加入 `EGNetSCR`，可按相同格式在脚本中补一条结果路径：

```powershell
python -B visualize_salmetric_results.py
```

输出：

```text
salmetric_visual_analysis.png
```

主线 CPSNet 的误差样例图和拆解数据：

```text
cpsnet/results/cpsnet_hflip_failure_examples.png
cpsnet/results/cpsnet_hflip_error_breakdown.json
```