![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 63
程序员毛师傅
浙江大学硕士,从事自动驾驶感知
展开
-
multi-target not supported at /pytorch/aten/src/THCUNN/generic/classNLLCriterion.cu::15
在计算点云语义分割crossentropy时,遇到了RuntimeError: multi-target not supported at /pytorch/torch/lib/THCUNN/generic/ClassNLLCriterion.cu其原因在于Loss函数出入维度不对loss_func = nn.CrossEntropyLoss()loss =loss_func(output, labels)在我的函数中,loss函数的第一个输入为(batch_size, n, C),其中n是点原创 2022-04-22 13:48:56 · 4984 阅读 · 0 评论 -
RuntimeError: storage has wrong size: expected XXX got XXX 以及 多卡GPU训练转到多卡GPU测试
在训练时,我的代码出现了以下问题:Traceback (most recent call last): File "/root/PycharmProjects/test.py", line 8, in <module> model_dict = torch.load("0.pth") File "torch/serialization.py", line 529, in load return _legacy_load(opened_file, map_locati.原创 2022-04-15 14:03:20 · 3410 阅读 · 0 评论 -
每日论文3---CVPR2022 3D目标检测
A Versatile multi-view framework for lidar-based 3d object detection with guidance from panoptic segmentation作者通过全景分割作为辅助任务来指导3D目标检测工作,此外,作者认为利用Range-View(RV)的网络特征可以指导基于BEV的检测模型,减少BEV投影中特征表示的稀疏性。模型整体结构作者的3D全景分割分支和3D目标检测分支分别使用Cluster-free 3D Panoptic Seg原创 2022-04-13 23:14:31 · 3465 阅读 · 0 评论 -
CVPR2022点云语义分割:Stratified Transformer for 3D Point Cloud Segmentation
CVPR2022Stratified Transformer for 3D Point Cloud SegmentationSSA: Stratified Self-attentionContextual Relative Position EncodingMemory-efficient ImplementationStratified Transformer for 3D Point Cloud Segmentation本文中的Stratified Transformer是基于Transformer原创 2022-04-12 21:56:56 · 9259 阅读 · 6 评论 -
Pytorch--分布式训练DistributedDataParallel
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar原创 2022-04-11 22:29:57 · 875 阅读 · 0 评论 -
Not All Points Are Equal: Learning Highly Efficient Point-based Detectors for 3D LiDAR Point Clouds
CVPR2022:Not All Points Are Equal: Learning Highly Efficient Point-based Detectors for 3D LiDAR Point Clouds本文作者基于point_base的方法实现了高效的3D检测器,其方法例如原创 2022-04-07 23:05:02 · 1139 阅读 · 0 评论 -
【原创】Fast R-CNN详解
Fast R-CNN详解Fast R-CNN的改进Fast R-CNN的基本框架问题解答1解答2全连接层训练测试SVD加速总结Fast R-CNN的改进Fast R-CNN相较于R-CNN来说改进了以下三点:1.基本实现了模型的end-to-end(除了还是需要用Selctive Search来生成2K个候选区域外)。2.不在将每个候选区域放入CNN中计算特征,而是直接输入原图得到原图的全部特征(只进行一次CNN)。3.将候选框的回归和分类问题同时进行输出,而不需要分别训练SVM和回归器。Fas原创 2020-09-06 13:57:51 · 884 阅读 · 0 评论 -
【原创】R-CNN及Selective Search原理详解
R-CNN原理详解:候选区域生成Selective Search方法算法流程计算相似度给区域打分特征提取类别判定位置调整总结R-CNN论文链接:R-CNNR-CNN将CNN引入了目标检测领域,可以说是CNN在目标检测领域的开山之作,改变了目标检测领域的研究思路,紧随其后的是Fast R-CNN、Faster R-CNN、Mask R-CNN等一系列模型。R-CNN分为三个部分:1.候选区域生成:对输入图像采用Selective Search的方法生成2K个较为可能是目标的候选区域2.特征提取:原创 2020-09-03 16:26:28 · 1667 阅读 · 0 评论 -
【转载】万字长文带你看尽深度学习中的各种卷积网络
转载自:https://mp.weixin.qq.com/s/1gBC-bp4Q4dPr0XMYPStXA深度学习中的各种卷积网络大家知多少?对于那些听说过却又对它们没有特别清晰的认识的小伙伴们,Kunlun Bai 这篇文章非常值得一读。Kunlun Bai 是一位人工智能、机器学习、物体学以及工程学领域的研究型科学家,在本文中,他详细地介绍了 2D、3D、1x1 、转置 、空洞(扩张)、空间可分离、深度可分离、扁平化、 分组等十多种卷积网络类型。如果你曾听过深度学习的各种卷积网络(例如 2D/3D/转载 2020-07-21 17:54:06 · 259 阅读 · 0 评论