@【VoteNet复现 | VoteHMR复现 | Pointnet+霍夫投票】(作为三方库配置记录)、Pytorch2.0.0、CUDA11.8

@VoteNet复现 | VoteHMR复现 | Pointnet+霍夫投票

一、本人环境

1.ubuntu22.04
2.CUDA:11.8
3.GCC\G++:9.5.0
4.Pytorch:2.0.0

由于现有的各个Pointnet配置均是在较低的pytorch版本和ubuntu版本上实现的,而本人的系统和各环境版本均较高,因此花费近两周时间将VoteNet(https://github.com/facebookresearch/votenet)中的Pointnet修改至能在现有的高版本pytorch版本上进行编译。结果如下图:

在这里插入图片描述
【声明:目前只在当前版本环境上成功实现,其他情况不做保证】

二、环境创建和基本库配置

为了不影响其他环境的使用,因此建议在一个全新的虚拟环境中进行试验:

  1. 安装9.4.0版本的GCC和G++:
    1.1 因为Ubuntu22.04默认的gcc版本为11.4,相对Pointent的编译来说版本过高,因此需要安装更低的版本,并通过update-alternatives进行版本的切换。
    参考链接:https://blog.csdn.
  • 8
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
VoteNet是一个用于三维目标检测的深度学习模型。它通过将指定目标类别的特征向量转化为概率分布表示,来实现对目标的检测和分类。VoteNet代码详解如下。 VoteNet的代码首先定义了一个VoteNet Class,其中包含了模型的网络结构。该网络结构由点云特征提取器、语义分割器、VoteNet层、检测层以及回归层组成。 点云特征提取器用于从点云数据中提取特征,常用的方法有VFE、PointNet等。语义分割器则用于对点云进行语义分割,将不同类别的点云分割开来。 VoteNet层是VoteNet模型的核心部分,它将每个目标体素划分为小的子体素,并为每个子体素生成一个特征描述符。这些特征描述符被编码为概率分布向量,用于表示每个类别的投票。 检测层通过利用VoteNet层生成的特征描述符,来对每个投票进行分类,以确定每个子体素所属的目标类别。 回归层则用于对目标的位姿信息进行回归,包括目标的位置、尺寸和姿态。 在实际应用中,我们可以使用VoteNet代码进行目标检测和分类任务。首先,我们需要准备点云数据和对应的标签,然后利用VoteNet模型对点云数据进行训练。训练过程中,通过计算损失函数来优化模型参数,并实现对目标的检测和分类。 在模型训练完成后,我们可以使用训练好的VoteNet模型对新的点云数据进行预测。通过将点云数据输入模型中,可以得到每个子体素的类别概率分布,从而实现目标的检测和分类。 综上所述,VoteNet代码详解主要涵盖了模型的网络结构以及训练和预测的过程。通过深入理解和实践VoteNet代码,我们可以更好地应用该模型进行三维目标检测任务。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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