Add training codes into Hanqer/deep-hough-transform.
Since there are no training codes in the original repo, I decided to add some training codes.- I considered to use the architecture of deep-hough-transform to train on my own task. The task is not actually similar to the task of
Semantic Line Detection. This repo is just an attempt of writing the training codes. No plan to open my dataset or evaluate the model.- (In Chinese): 这条用中文再啰嗦叙述一下，因为我个人目前的工作想要考虑看一下这个deep hough transform的方法能不能用在我的数据集上，但是他这个没有训练代码啊，自己试着写一下。
- 多说一句，看代码的时候我发现trainset的设置（数据读取、transform）作者闭源了，另外label和loss计算也都闭源了，所以我考虑这两个点是有比较重点的tricks。
- Developed under
Pytorch1.3 Python3.6
- 看了一下作者的代码，forward.py里面写的很清楚了，网络前向输出的是keypoints。 这个keypoints就是HoughLineTransform之后的那个参数空间的map， 因为HoughLineTransform其实本质上就是在一个二维图上面， 每个点表示一根直线，原图片上有点在这个直线上的话就给这根线“投票”一次， 所以最后的这个map，最大值可能有几百上千。因此前向输出后再接了一个sigmoid映射到1以内。
- 我看了作者的c_dht的实现，似乎是没有进行参数学习的，只是写成了深度网络的层， 所以测试了一下如果直接输入一个二值化的图，上面只有一根直线，输出的结果上确实有一个“能量最大”的点，这个点可以作为学习的对象； 但我的工作其实是想语义性的识别圆，如果输入的是圆的二值化的图，输出的结果图就会是：
这样的图片没法学啊。后来想了一下因为映射方法固定了，作者原始的课题就是做直线，那就是映射到Hough直线变换后的空间，这个空间不是给圆设计的。 因此如果我要进行类似的圆的检测，必须自己设计一个参数空间，然后自己设计一个c_dhct(deep hough circle transform)嵌到网络中进行训练。 （所以这个项目的后续开发可能不会有了，目前已经写了的可以po出来看看有没有人需要的） P.S.原文说可以扩展做arbitrary shapes的课题，其实还是有局限性吧……
- Not finished yet