FeatUp: 适用于任意分辨率特征的模型无关框架

ICLR 2024

Stephanie Fu*、 Mark Hamilton*、 Laura Brandt、 Axel Feldman、 Zhoutong Zhang、 William T. Freeman *贡献相同。

简述：FeatUp将任何模型的特征空间分辨率提高16-32倍，而不改变其语义。

https://github.com/mhamilton723/FeatUp/assets/6456637/8fb5aa7f-4514-4a97-aebf-76065163cdfd

目录

<!--ts-->

• 安装
• 使用预训练的上采样器
• 为图像拟合隐式上采样器
• 即将推出
• 引用
• 联系方式

<!--te-->

安装

Pip

如果只想快速使用FeatUp API，请通过以下命令安装：

pip install git+https://github.com/mhamilton723/FeatUp

本地开发

要安装FeatUp进行本地开发并获取示例图像，请使用以下命令安装：

git clone https://github.com/mhamilton723/FeatUp.git
cd FeatUp
pip install -e .

使用预训练的上采样器

要查看预训练模型使用示例，请参阅我们的Colab笔记本。我们目前提供以下FeatUp JBU上采样器的预训练版本：

模型名称	检查点	检查点（无LayerNorm）	Torch Hub仓库	Torch Hub名称
DINO	下载	下载	mhamilton723/FeatUp	dino16
DINO v2	下载	下载	mhamilton723/FeatUp	dinov2
CLIP	下载	下载	mhamilton723/FeatUp	clip
MaskCLIP	不适用	下载	mhamilton723/FeatUp	maskclip
ViT	下载	下载	mhamilton723/FeatUp	vit
ResNet50	下载	下载	mhamilton723/FeatUp	resnet50

例如，要加载DINO骨干网络的FeatUp JBU上采样器，且不对空间特征使用额外的LayerNorm：

upsampler = torch.hub.load("mhamilton723/FeatUp", 'dino16', use_norm=False)

要加载在骨干网络上训练的上采样器，并附加额外的LayerNorm操作（这使得训练和迁移学习更加稳定）：

upsampler = torch.hub.load("mhamilton723/FeatUp", 'dino16')

为图像拟合隐式上采样器

要为给定图像和骨干网络训练隐式上采样器，首先克隆仓库并为本地开发安装。然后运行：

cd featup
python train_implicit_upsampler.py

此训练操作的参数可在隐式上采样器配置文件中找到。

本地Gradio演示

要在本地运行我们的HuggingFace Spaces托管的FeatUp演示，首先为本地开发安装FeatUp。然后运行：

python gradio_app.py

等待几秒钟让演示启动，然后导航到http://localhost:7860/查看演示。

即将推出：

• 训练您自己的FeatUp联合双边上采样器
• 隐式FeatUp训练的简单API

引用

@inproceedings{
    fu2024featup,
    title={FeatUp: A Model-Agnostic Framework for Features at Any Resolution},
    author={Stephanie Fu and Mark Hamilton and Laura E. Brandt and Axel Feldmann and Zhoutong Zhang and William T. Freeman},
    booktitle={The Twelfth International Conference on Learning Representations},
    year={2024},
    url={https://openreview.net/forum?id=GkJiNn2QDF}
}

联系方式

如有反馈、问题或媒体咨询，请联系Stephanie Fu和Mark Hamilton