Advertisement

RandLA-Net-pytorch: 基于HTTPS的RandLA-Net PyTorch实现

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
简介：RandLA-Net-pytorch是基于HTTPS的高效点云特征学习库，提供PyTorch版本的RandLA-Net深度网络模型，适用于大规模点云语义分割任务。 RandLA-Net-pytorch 存储库包含该实现的代码，并且目前仅支持SemanticKITTI数据集。我们欢迎更多的人加入共同开发以提高项目的知名度。 我们的模型性能与原始TensorFlow版本相近，验证集中我们的mIoU为52.9%，而原版为53.1%。 我们在目录中提供了预训练模型，并在验证集（seq 08）上展示了结果对比： - 原始实现的mIoU：0.531 - 我们的Pytorch版本的mIoU：0.529 具体各类别的详细表现如下： 车 - 0.919，自行车 - 0.122，摩托车 - 0.290，卡车 - 0.660，其他车辆 - 0.444， 人骑自行车的人 - 0.515，电单车司机 - 0.676，路 - 0.000，停车处 - 0.912， 人行道 - 0.421，其它地面建造栅栏植被树干地形极交通标志行人 - 0.759， 其他（未明确分类）- 0.354

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • RandLA-Net-pytorch: 基于HTTPS的RandLA-Net PyTorch实现
    优质
    简介：RandLA-Net-pytorch是基于HTTPS的高效点云特征学习库，提供PyTorch版本的RandLA-Net深度网络模型，适用于大规模点云语义分割任务。 RandLA-Net-pytorch 存储库包含该实现的代码，并且目前仅支持SemanticKITTI数据集。我们欢迎更多的人加入共同开发以提高项目的知名度。 我们的模型性能与原始TensorFlow版本相近，验证集中我们的mIoU为52.9%，而原版为53.1%。 我们在目录中提供了预训练模型，并在验证集（seq 08）上展示了结果对比： - 原始实现的mIoU：0.531 - 我们的Pytorch版本的mIoU：0.529 具体各类别的详细表现如下： 车 - 0.919，自行车 - 0.122，摩托车 - 0.290，卡车 - 0.660，其他车辆 - 0.444， 人骑自行车的人 - 0.515，电单车司机 - 0.676，路 - 0.000，停车处 - 0.912， 人行道 - 0.421，其它地面建造栅栏植被树干地形极交通标志行人 - 0.759， 其他（未明确分类）- 0.354
     
  • RandLA-Net在TensorFlow2中的实现：RandLA-Net-tensorflow2
    优质
    本项目为RandLA-Net模型的TensorFlow 2版本实现，适用于点云场景下的语义分割任务，代码开源便于研究与应用。 RandLA-Net-tensorflow2 是 RandLA-Net 的 TensorFlow 2 实现。
     
  • RandLA-Net改进版：RandLA-Net-Enhanced
    优质
    RandLA-Net-Enhanced是对原始RandLA-Net网络架构进行优化和增强的版本，旨在提升大规模点云数据处理的效率与精度。 RandLA-Net-Enhanced原代码论文的主要贡献是提出了一种更快的点云语义分割模型。研究发现，在现有的采样方法中，随机采样的效果最佳。为了减少随机采样过程中丢失的信息，该论文提出了局部特征采样器，包括Local Spatial Encoding (LocSE) 和 Attentive Pooling。 文献信息如下： @article{hu2019randla, title={RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds}, author={Hu, Qingyong and Yang, Bo and Xie, Linhai and Rosa, Stefano and Guo, Yulan and Wang, Zhihua and Trigoni, Niki and Markham, Andr}
     
  • XNOR-Net-PyTorch: PyTorch下的XNOR-Net实现
    优质
    简介：XNOR-Net-PyTorch是基于PyTorch框架对XNOR-Net算法的实现，适用于资源受限环境中的深度神经网络加速与压缩。 XNOR-Net-Pytorch 是一个使用 PyTorch 实现的二值化神经网络（BNN）。以下是我在该项目中的实现情况： | 数据集 | 网络 | 准确性 | 浮点精度 | |-------------|-----------|---------|----------| | MNIST | LeNet-5 | 99.23% | 99.34% | | CIFAR-10 | NIN（网络中网络） | 86.28% | 89.67% | 对于MNIST数据集，我实现了LeNet-5的结构，并使用了提供的数据集阅读器。要运行训练程序，请执行以下命令： ``` $ cd /MNIST/ $ python main.py ``` 预训练模型可以下载并放置在相应的目录中。 评估预训练模型时，请将文件复制到指定位置，然后执行如下命令： ``` $ cp /MNIST/models/ $ python main.py ```
     
  • RandLA-Net: 在TensorFlow中的实现（CVPR 2020，口头报告）
    优质
    RandLA-Net是针对点云场景分类与分割提出的一种高效的深度学习网络模型，在CVPR 2020上进行了口头报告，并在此提供了基于TensorFlow的实现。 这是RandLA-Net（CVPR 2020，口头演示）的官方实现版本。RandLA-Net是一种简单高效的神经网络架构，用于大规模3D点云的语义分割。 该代码已在Ubuntu 16.04上使用Python 3.5、Tensorflow 1.11、CUDA 9.0和cuDNN 7.4.1进行了测试。要克隆存储库，请执行以下命令： ``` git clone --depth=1 https://github.com/QingyongHu/RandLA-Net && cd RandLA-Net ``` 设置Python环境： ```shell conda create -n randlanet python=3.5 source activate randlanet ```
     
  • SuperPoint-Pytorch：基于HTTPS的SuperPoint PyTorch实现
    优质
    SuperPoint-Pytorch 是一个基于HTTPS的项目，提供了用PyTorch框架实现的SuperPoint算法代码。此项目便于研究者和开发者在图像特征检测任务中使用与改进该模型。 超点火炬是Superpoint模型的PyTorch实现和评估文件。我们在Rémi Pautrat的TensorFlow实现中得到了很大的帮助。 在兴趣点检测方面，我们的模型似乎没有完全收敛，但与同形加法结合使用时结果看起来不错。 与其他点检测模型相比，虽然总体效果不如原始模型，但在匹配点的数量上有所差异：对于原始模型而言是这样的情况；而在我们实施的版本中则是另一番景象。尽管目前的整体表现不尽如人意，但我们希望将来能够利用不同的模块（例如数据生成、单应性调整等）进行改进。 该文件涵盖了实现的所有阶段： 1. 生成综合数据集 - 创建一个包含100,000个人造合成形状图像的数据集，并附带名称和标签的相应文件。此步骤在Tesla V-100上大约需要耗时12小时。 2. 使用合成数据集进行Magicpoint训练。
     
  • RandLA-Net: Tensorflow中大规模点云高效语义分割的实现（CVPR 2020）-Python
    优质
    本文介绍了在TensorFlow框架下，用于大规模点云数据的高效语义分割网络RandLA-Net，并展示了其在多项任务中的优越性能。 RandLA-Net - 大规模点云的高效语义分割的Tensorflow实现（CVPR 2020） 这是 RandLA-Net (CVPR2020, Oral presentation) 的官方实现，这是一种用于大规模 3D 点云语义分割的简单高效的神经架构。技术细节请参考：RandLA-Net: Efficient Semantic Segmentation of Large-Scale Point Clouds 胡庆勇、杨博*、谢林海、Stefano Rosa、郭玉兰、王志华、Niki Trigoni、Andrew Markham。 此代码已在 Ubuntu 16.04 上使用 Python 3.5、Tensorflow 1.11、CUDA 9.0 和 cuDNN 7.4.1 进行测试。 克隆仓库 git clone --depth=1 http
     
  • U-Net架构图及PyTorch实现
    优质
    本资料深入解析U-Net架构，并提供基于PyTorch框架的具体代码实例，适用于医学图像分割领域的开发者与研究者。 import torch import torch.nn as nn import torch.nn.functional as F class double_conv(nn.Module): # (conv => BN => ReLU) * 2 def __init__(self, in_ch, out_ch): super(double_conv, self).__init__() self.conv = nn.Sequential( nn.Conv2d(in_ch, out_ch, 3, padding=1), )
     
  • AOD-Net: Pytorch与Caffe下的AOD-Net
    优质
    简介：AOD-Net是一款用于自动驾驶场景下密集人群检测的深度学习模型，在PyTorch和Caffe框架中均有实现，适用于多种道路监控应用。 AOD-Net是ICCV 2017上提出的一种轻量级且高效的端到端除雾神经网络。您可以轻松快速地进行训练或测试。在测试阶段，我们提供了test.py脚本、相关原型及数据集，您只需通过“python test.py”命令即可使用GPU/CPU获取结果。 基于AOD-Net的贡献，我们在该模型中引入了位置归一化（PONO），从而显著提升了性能表现。改进前后的对比显示：对于TestSet A，PSNR从19.69 dB提升至20.38 dB，SSIM值从0.8478增加到0.8587；而对于TestSet B，则分别达到了PSNR为21.54 dB（改进后变为21.67 dB）和SSIM为0.9272（提升至0.9285）。希望这些信息对您的研究有所帮助。
     
  • 基于U-Net的视网膜血管分割（Pytorch实现）
    优质
    本项目采用Pytorch框架实现了基于U-Net的深度学习模型，专为视网膜血管自动分割设计，旨在提高眼底疾病诊断的准确性和效率。 代码适配数据集需要根据数据集的特点进行相应的调整和优化，确保程序能够高效准确地处理数据。这通常包括对算法的选择、参数的调优以及可能的数据预处理步骤等。在开始编码之前，深入理解数据集的需求和限制是至关重要的。