编译 Efficient Hierarchical Graph-Based Segmentation of RGBD Videos

最新推荐文章于 2020-08-28 21:00:39 发布
最新推荐文章于 2020-08-28 21:00:39 发布
阅读量1k 收藏 1
点赞数
分类专栏： 论文实现
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lcbwlx/article/details/46934509
版权
本文记录了在编译一篇使用opencv和pcl的论文代码过程中遇到的问题，包括如何配置和编译pcl，解决cmake找不到mm_malloc.h的错误，以及处理pcl、boost和vtk库与vs2012不兼容的问题。最终通过下载预编译的pcl库成功完成编译。
摘要由CSDN通过智能技术生成

今天接到导师的短信， 让我编译一篇paper的code。 于是开工。


到作者的主页上一看， 发现提供了github的代码。 并明确要求使用opencv和pcl。 于是开始配置这两个库。


opencv网上教程一大堆， 我就不写了， 主要写pcl怎么配置。 


首先， pcl的官网上放binary版本事1.60， 由vs2010编译。 但是该paper的code使用了amp库， 这个库从vs2012开始支持， 所以需要自己编译pcl。


 错误：cmake无法通过，找不到mm_malloc.h在自己编译pcl的时候， 用cmake生成vs2012的sln文件的时候， 报错， 错误：cmake无法通过，找不到mm_malloc.h。 上网搜索了很久也没办法， 于是只好用vs2010编译。 在编译的时候， 遇到PCL_DEPRECATED的错误， 搜索后发现， 可以采用如下解决方法。


将png.h报错部分改成

template PCL_DEPRECATED ( void savePNGFile (const std::string& file_name, const pcl::PointCloud& cloud), 
“pcl::io::savePNGFile (file_name, cloud) is deprecated, please use a new generic ” 
“
最低0.47元/天 解锁文章
lcbwlx
关注
专栏目录
Graph Neural Networks: A Review of Methods and Applications（图神经网络：方法与应用综述）
weixin_41697507的博客
07-06 5384
Graph Neural Networks: A Review of Methods and Applications Jie Zhou , Ganqu Cui , Zhengyan Zhang , Cheng Yang, Zhiyuan Liu, Lifeng Wang, Changcheng Li, Maosong Sun Abstract—Lots of learning tasks req...
CVPR 2021最全论文开放下载！附pdf下载链接！
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
EfficientHierarchicalGraphBasedVideoSegmentationExporter:该存储库包含C ++代码，用于从论文《基于高效分层图的视频分段》中描述的系统中导出视频分段。
05-17
该存储库包含C ++代码，用于从论文《描述的系统中导出。 本文描述的系统将分段作为协议缓冲区文件返回。 此存储库中包含的导出器将这些协议缓冲区文件转换为图像序列。 请注意，大部分代码是由编写的，并在他的上分发。 我只是破解了他的代码以导出分段，而不是在GUI中可视化它们。 要求 OpenCV。 我使用的是OpenCV 2.4.6.1，但是任何最新版本的OpenCV都可以使用。 Protobuf 。 我使用了ProtoBuf 2.5.0，但是任何最新版本的Protobuf都可以使用。 CMake GUI 。 我使用了CMake 2.8.10，但是任何最新版本的CMake都可以使用。 在Mac OSX上，可以通过MacPorts轻松获得OpenCV和Protobuf。 在终端窗口中，只需键入以下内容： $ sudo port install opencv $ sudo port i
基于图像的RGBD视频的等级分割注解（eficiency hierarchi graph-based segmentation of RGB-D videos）
weixin_40827685的博客
08-08 891
Efficency hierarchical segmentation 注解 2018年4月25日 15:08 首先这个题目叫做对于RGBD video的基于图像的层次分割   摘要：   我们通过结合深度颜色和时间信息来对3D RGBD 点云进行分割。(解释什么是基于图像，rgbd) 我们再点云上运用一个移动的窗口，对项次的region进行分组。 这个分组让我们得出一个基础的过 分...
论文笔记：Efficient Graph-Based Image Segmentation
qq_43409114的博客
06-07 1026
前言 Graph-Based Segmentation 是经典的图像分割算法，作者Felzenszwalb也是提出DPM算法的大牛。该算法是基于图的贪心聚类算法，实现简单，速度比较快，精度也还行。不过，目前直接用它做分割的应该比较少，毕竟是99年的跨世纪元老，但是很多算法用它作垫脚石，比如Object Propose的开山之作《Segmentation as Selective Search for Object Recognition》就用它来产生过分割（oversegmentation）。还有的语义分割
R-CNN之前的准备：Efficient Graph-Based Image Segmentation
xbcReal的博客
07-23 1937
R-CNN大致分为两个步骤，一个是使用提出检测建议(detection proposals)的算法，另一个是使用神经网络对这些检测建议进行分类和融合。在R-CNN中用到的提出检测建议的算法是选择性搜索算法(selective search)，这个算法分为两个大步骤，一个是使用图像分割算法把图像分为许多的小区域，另一个是对这些区域按照一定的准则进行融合形成更大的区域，并对这些区域生成相应的包围矩形(b
hierarchical segmentation
a-娇的专栏
02-26 4657
一、目的：由于边界检测器检测出来的边界大多时候都不是封闭的，因此，我们要在确保边界质量的基础上修复边界。 二、大概思想：在之前边界检测器检测出的轮廓基础上，使用层次分割。首先使用一种新的分水岭变换——OWT，产生一系列初始的小区域，然后我们利用这些小区域的边界建立一个超度量等值线图（UCM），OWT-UCM可以看做是将轮廓换成轮廓层次树的一种方法。整个过程如下图： 第1幅图：原图；
基于视觉的机器人抓取: 论文及代码(Vision-based Robotic Grasping: Papers and Codes)
dsoftware的博客
10-22 2万+
最近总结了基于视觉的机器人抓取的相关论文及代码，同步于github。根据抓取的类别，基于视觉的机器人抓取可以分为两类：2D平面抓取以及6D空间抓取。这个页面总结了近年来涉及到的各种各样的方法，其中大部分都使用了深度学习。总结的中文框架结构如下： 0.综述论文 1. 2D平面抓取 这类方法将抓取，用平面内旋转的矩形框表示； 1.1基于RGB或者RGB-D的方法 采用基于目标检测类的方法，直接得到2D...
三维点云语义分割【综述】 ——Deep Learning for 3D Point Clouds: A Survey
Dujing2019的博客
02-16 1万+
3D POINT CLOUD SEGMENTATION3D Semantic SegmentationProjection-based NetworksPoint-based NetworksInstance SegmentationProposal-based MethodsProposal-free MethodsPart SegmentationSummary 3D点云分割需要了解全局几何结...
Efficient Graph-Based Image Segmentation
09-03
Efficient Graph-Based Image Segmentation论文的实现代码，以及给了一个测试样例，在Linux下运行通过
Efficient Graph-Based Image Segmentation论文思路
doggggggggggggggggggggggggggggggggggggie的专栏
12-25 9677
Efficient Graph-Based Image Segmentation 是2004年由Felzenszwalb发表在IJCV上的一篇文章。主要介绍了基于图表示的图像分割。并且提出了一种基于贪心选择的图像分割方法，此方法能够考虑到全局特征。根据距离度量方式的不同，此算法有两种具体的实现形式。结果表明算法的运行时间接近于线性（相对于图中边的个数来说）。此算法的更重要的特性在于，在特征变化较小
图像分割之 Efficient Graph-Based Image Segmentation
lcbwlx的专栏
01-26 2714
图像分割历来是很难的问题，因为计算机并不是人眼，可以识别一个个物体。在他看来，一张图片，无非就是一串串数字而已。因而，如何让计算机能够自动分离出一张图片的若干个物体成为人们研究的重点，不过很可惜，所有的分割算法（不加交互）都有这样那样的缺陷，也许要再过一百年，才能发展出不加交互的良好的分割算法吧。 今天介绍一种04年发展的算法，名叫Efficient Graph-Based Image
基于图的图像分割（Graph-Based Image Segmentation）
郭云飞的专栏
12-06 4万+
一、介绍 基于图的图像分割（Graph-Based Image Segmentation），论文《Efficient Graph-Based Image Segmentation》，P. Felzenszwalb, D. Huttenlocher，International Journal of Computer Vision, Vol. 59, No. 2, September 2004 论
论文阅读：CVPR2016 Paper list
热门推荐
一亩半分地
05-12 8万+
CVPR2016 accepted paper list
（十五：2020.08.28）CVPR 2013 追踪之论文纲要（译）
Jojo论文基地
08-28 3052
讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这200篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录 论文 概要 1.All About VLAD融合离焦深度和立体有编码孔径
labelme 简介
lcbwlx的专栏
03-21 1万+
labelme是一个图像库，项目主页是http://new-labelme.csail.mit.edu/Release3.0/index.php。 这个图像库里面提供图像和label，什么是label呢？就是图像里面的物体会被做标记，具体看图： 这些不同颜色的线就是label，他们把图形里面的物体标记出来。然后这些线具体使用一个xml文件表示，不会改变图像。
arXiv 创建文章注意事项
lcbwlx的专栏
08-04 9541
rt， 今天在arxiv上提交文章， 但是令人费解的是明明自己电脑可以顺利编译， 但是arxiv总提示有错。 然后测试了好久， 总结了几条规律， 记录如下。 1， 务必把中间文件删除干净！ 中间文件是指， tex在编译的时候产生的中间文件， 比如*.aux, *.gz, * *.log等等。 不然会编译不过去， 出现奇怪的错误。 2， 在写引用的时候， 我使用的是bib文件，
hierarchical-graph-attention-network-master的数据集
最新发布
09-17
hierarchical-graph-attention-network-master是一个使用分层图注意力网络（Hierarchical Graph Attention Network）进行训练和预测的项目。该项目主要针对一种特定的数据集。 该数据集可以是一个图数据集，其中包含多个节点和边，每个节点代表一个实体或对象，每个边代表节点之间的关系或连接。 具体来说，数据集可能包含以下内容： 1. 节点信息：每个节点具有一些特征或属性，描述了节点的性质。这些特征可以是结构性的，如节点的ID或位置，也可以是属性性的，如节点的词向量表示或其他自定义的特征描述。 2. 边信息：每个边包含了节点之间的连接关系或关联性。这些关系可以是有向的或无向的，可以是带权重的或不带权重的。比如，在社交网络中，节点可以表示人，边可以表示朋友关系，权重可以表示亲密程度。 3. 层次结构：数据集可能包含多个层次结构，即节点可以按照一定的层次结构进行组织和分组。比如，在一张包含人和城市的图中，可以将人节点按照所属城市进行分组，形成一个城市层次和一个人层次。 Hierarchical Graph Attention Network可以在这样的数据集上进行训练和预测。它通过层次结构和图注意力机制来捕捉节点之间的结构信息和特征关联。在训练过程中，网络会学习到不同层次和节点之间的重要性权重，从而在预测任务中能够更好地利用数据集中的信息。 这样，利用hierarchical-graph-attention-network-master项目，我们可以对给定的图数据集进行分层建模和预测，从而有效利用节点之间的结构和关联信息。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值