Advertisement

RandLA-Net: 在TensorFlow中的实现（CVPR 2020，口头报告）

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

简介：
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 ```

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 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 ```
     
  • 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
     
  • 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-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}
     
  • Fast_RNRR: 稳健非刚性配准的拟牛顿求解器源码（CVPR 2020 口头报告）
    优质
    Fast_RNRR是一款针对稳健非刚性图像配准问题开发的高效拟牛顿法求解工具，曾在CVPR 2020会议上以口头报告形式展示。 Fast_RNRR 存储库包含论文“用于稳健的非刚性注册的拟牛顿求解器”（CVPR2020）的源代码。该代码受专利保护，仅限于研究目的使用。 依存关系汇编： - 该代码使用Eigen和OpenMesh进行编译。 - 已在Ubuntu 16.04 (gcc5.4.0) 和 Windows 上通过 Visual Studio 2015 测试过。 请按照以下步骤来编译代码： 1. 确保已安装 Eigen 和 OpenMesh 库； 2. 在代码的根目录中创建一个名为 build 的构建文件夹； 3. 运行 cmake 命令以生成 build 文件并编译源码。在 Linux 上，在该 build 文件夹内执行以下命令： ``` $ cmake -DCMAKE_BUILD_TYPE=Release . ```
     
  • SuperGlue预训练网络：学习匹配的图神经网络功能（CVPR 2020，口头报告）
    优质
    SuperGlue是CVPR 2020上以口头报告形式展示的一种创新性的预训练网络模型。该模型采用图神经网络技术，专注于学习图像特征间的匹配关系，显著提升了跨域视觉识别与匹配任务的性能水平。 SuperGlue 是 Magic Leap 在 2020 年 CVPR 研究项目中的成果。它是一个图形神经网络，结合了最佳匹配层，该层经过训练可以对两组稀疏图像特征进行匹配。此存储库包含 PyTorch 代码和预训练权重，用于在关键点和描述符之上运行 SuperGlue 匹配网络。给定一对图像后，您可以使用此存储库在整个图像对中提取匹配的特征。SuperGlue 充当“中间层”，在一个端到端体系结构中执行上下文聚合、匹配和过滤。 有关更多详细信息，请参阅其全文 PDF 文档。
     
  • FusionGAN-Tensorflow: 简易实现CVPR 2018的FusionGAN（基于TensorFlow）
    优质
    FusionGAN-Tensorflow是一个基于TensorFlow框架简易实现的项目，重现了CVPR 2018年提出的FusionGAN模型。该项目旨在简化复杂模型的应用与研究。 FusionGAN-Tensorflow 简单Tensorflow实施（CVPR 2018）要求使用Tensorflow 1.8 和 Python 3.6。 文件结构如下： ``` ├── dataset │ ├── YOUR_DATASET_NAME │ │ ├── trainA │ │ │ ├── xxx.jpg │ │ │ └── yyy.png │ │ ├── trainB │ │ │ ├── zzz.jpg │ │ │ └── www.png │ │ │ └── testA │ ├── aaa.jpg │ └── bbb.png ```
     
  • MATLAB尺寸检测代码-DSC: CVPR 2018 (口头报告) 和 TPAMI 2019
    优质
    这段工作介绍了在CVPR 2018会议上以口头报告形式展示，并后被TPAMI期刊接受发表的MATLAB尺寸检测代码DSC，为物体尺度估计提供了一种有效的方法。 MATLAB尺寸检测代码用于阴影检测（及去除）的方向感知空间上下文功能是由香港中文大学的胡小伟编写的。 引用： @InProceedings{Hu_2018_CVPR， 作者={胡小伟，傅志荣，朱磊，秦静和衡安}， 标题={用于阴影检测的方向感知空间上下文特征}， 会议名称={IEEE计算机视觉与模式识别大会（CVPR）}， 页码={7454--7462}, 年份={2018}} @article{hu2019direction, 作者={胡小伟，傅志荣，朱磊，秦静和衡安}, 标题={用于阴影检测与去除的方向感知空间上下文特征}, 期刊名称={IEEE模式分析与机器智能交易}, 年份={2019}， 注意=即将出版} SBU和UCF数据集上的阴影检测结果可以找到。有关新的UCF片段（某些作品使用过）的阴影检测结果，请参见相关资料；误码率：10.38，准确度：0.95
     
  • CVPR2019口头报告.xlsx
    优质
    该文档包含的是在CVPR 2019会议上被选为口头报告的相关研究内容和成果总结。CVPR是计算机视觉领域的顶级国际会议之一。 CVPR2019的口头报告整理，内容涉及人工智能、机器学习和计算机视觉等领域。适用于学习和科研使用。