最后的训练阶段，crop_size(240,1248) 显卡内存只有11G无法满足怎么办，减小crop_size貌似会影响最后kitti的测试精度吧

[seeyouagain111]

No description provided.

[tianshenghui]

作者介绍的时候用了8个24G的GPU，你这种配置要么降低crop_size，要么降低max_disp，要么降低batchsize。应该会影响精度吧，batchsize太小训练太慢，crop_width应该大一些，视差在横向上。crop_size的大小跟4D代价量的提取以及后面的SGA，LGA都有关吧，尤其是后面的SGA和LGA。我在遥感图像上训练了这个模型，感觉缺点是视差图的边缘不是很明显，锐化效果比不了传统的sbgm+wls和mgm这些，这个模型借鉴了传统sgm算法的做法，是不是容易产生条纹现象？我想把SGA聚合改为8个方向的，但奈何不懂cuda，不知道怎么做。

[feihuzhang]

@seeyouagain111 用 384X48n 和 48nX1248 两种crop_size finetune吧。根据你的memory 调一下n到最大能用的值。
结果应该也会有提升。
@tianshenghui pretrained model 用4块卡batchsize为8。crop_size的确影响精度。边缘不明显的原因一定和training data有关。需要保证你自己的trainning data在边缘ground truth要准确。如果 training data的label精度较差或者错误较多。deep neural netwok基本都会表现很差。
可以试着用simulation data去train model。可以参考这篇文章：https://arxiv.org/pdf/1911.13287.pdf

[tianshenghui]

@feihuzhang 非常感谢大佬的回复，为我指点迷津。

[seeyouagain111]

@seeyouagain111 用 384X48n 和 48nX1248 两种crop_size finetune吧。根据你的memory 调一下n到最大能用的值。
结果应该也会有提升。
@tianshenghui pretrained model 用4块卡batchsize为8。crop_size的确影响精度。边缘不明显的原因一定和training data有关。需要保证你自己的trainning data在边缘ground truth要准确。如果 training data的label精度较差或者错误较多。deep neural netwok基本都会表现很差。
可以试着用simulation data去train model。可以参考这篇文章：https://arxiv.org/pdf/1911.13287.pdf

谢谢作者的回答，另有一处疑问，当我用384x624训练完成后，测试时候将测试图片裁剪为多个384x624预测然后拼接的效果会比直接测试384x1248的图片效果好吗，作者可否试过。

[feihuzhang]

@seeyouagain111 用 384X48n 和 48nX1248 两种crop_size finetune吧。根据你的memory 调一下n到最大能用的值。
结果应该也会有提升。
@tianshenghui pretrained model 用4块卡batchsize为8。crop_size的确影响精度。边缘不明显的原因一定和training data有关。需要保证你自己的trainning data在边缘ground truth要准确。如果 training data的label精度较差或者错误较多。deep neural netwok基本都会表现很差。
可以试着用simulation data去train model。可以参考这篇文章：https://arxiv.org/pdf/1911.13287.pdf

谢谢作者的回答，另有一处疑问，当我用384x624训练完成后，测试时候将测试图片裁剪为多个384x624预测然后拼接的效果会比直接测试384x1248的图片效果好吗，作者可否试过。

直接用原始尺寸evaluation 会好一些。

[Alkaid-AI]

@seeyouagain111 用 384X48n 和 48nX1248 两种crop_size finetune吧。根据你的memory 调一下n到最大能用的值。
结果应该也会有提升。
@tianshenghui pretrained model 用4块卡batchsize为8。crop_size的确影响精度。边缘不明显的原因一定和training data有关。需要保证你自己的trainning data在边缘ground truth要准确。如果 training data的label精度较差或者错误较多。deep neural netwok基本都会表现很差。
可以试着用simulation data去train model。可以参考这篇文章：https://arxiv.org/pdf/1911.13287.pdf

谢谢作者的回答，另有一处疑问，当我用384x624训练完成后，测试时候将测试图片裁剪为多个384x624预测然后拼接的效果会比直接测试384x1248的图片效果好吗，作者可否试过。

请问一下你用11G的显存要训练多久呀，还有最后效果怎么样，我实验室最大只有22G的显存。