pytorch——计算两个等大无序点云中的距离Earth Mover Distance

最新推荐文章于 2024-06-01 19:57:23 发布
最新推荐文章于 2024-06-01 19:57:23 发布
阅读量1.1k 收藏 2
点赞数
分类专栏： pytorch 文章标签： 深度学习 python 人工智能
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/qq_45779334/article/details/127141233
版权

目前要做两个无序点集之间的相似性计算，在看过Chamfer Distance后，个人觉得CD的计算方式决定了其无法处理两个点集整体分布差异大，但是局部有部分点距离很近的情况，而这种情况在点集中是一定可能出现的，因此使用EMD可以保证每个点集都有一一对应的整体cost最小点

Earth Mover Distance

在网上有很多EMD的解析和案例分析，这里我就不进行赘述，直接放几个比较好的BLOG：

Pytorch实现

在GitHub上有大神已经写好了EMD的实现以及CUDA算子，这里我们直接使用该开源实现，并介绍函数使用细节。

  • earth_mover_distance()
Irving.Gao
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Open3D 计算点云距离（Python版本）
dayuhaitang1的博客
01-14 312
Open3D 计算点云距离（Python版本）
[Point Cloud] 点云分析中的EMD（Earth Mover's Distance）距离
风中摇曳的小萝卜 的博客
02-25 6037
点云分析中的EMD（Earth Mover’s Distance）距离 EMD（Earth Mover’s Distance）距离介绍 EMD距离，又叫做推土机距离，也叫作Wasserstein。个人理解，EMD距离是离散化的Wasserstein距离，而Wasserstein距离是描述两个连续随机变量的EMD距离。二者数学思想是相同的，但是所描述的对象和应用场景稍有区分。由于个人正在做关于点云数...
EMD的matlab代码分享-PyTorchEMD:用于3D点云回归的Earth-Mover-Distance(EMD)的PyTorchWra
06-12
EMD的matlab代码分享用于点云地球移动距离 (EMD) 的 PyTorch 包装器 依赖 代码已经在 Ubuntu 16.04、PyTorch 1.1.0、CUDA 9.0 上测试过。 用法 首先编译使用 python setup.py install 然后，将lib文件复制到主目录， cp build/lib.linux-x86_64-3.6/emd_cuda.cpython-36m-x86_64-linux-gnu.so . 然后，您可以简单地使用它 from emd import earth_mover_distance d = earth_mover_distance(p1, p2, transpose=False) # p1: B x N1 x 3, p2: B x N2 x 3 例如检查test_emd_loss.py 。 作者 cuda代码最初由范浩强编写。 PyTorch 包装器是由莫开春编写的。此外，顾家远也提供了帮助。 执照 麻省理工学院
计算两个点云之间的欧式距离(square_distance)；点云之间距离 pytorch
qq_24884193的博客
10-09 2936
假设用 tensor 保存了两个点云，现在要求出点云中任意一对点的欧式距离，我们不必使用两个for循环进行这种遍历计算，我们可以使用tensor操作方便的计算出点云之间的距离。 用一句话概括就是： 将 计算(x-y)^2 变为 计算 x^2 + y^2 -2xy 代码中前面注释给出了参数的含义， 代码中每行有注释，也挺容易看懂的 def square_distance(src, dst, normalised = False): """ Calculate Euclid distance
陆地移动距离的python实现
qq_46401672的博客
07-04 676
#陆地移动距离的python实现 Earth Mover s Distance，即陆地移动距离，是一种度量准则。光线变化能引起颜色直方图的漂移，引起颜色值位置发生变化，这时候一些直方图的比较匹配策略失效。EMD算法本身是一个通用的算法，它实际上度量的是怎样讲一个直方图的形状转变为另一个直方图的形状，包括直方图的部分（或全部）到一个新的位置，可以在直方图任何维的直方图上进行这种度量。 代码中的输入是我们要度量的直方图！......
两个点云之间的欧氏距离：给定点云A和B，得到B中每个点到A中最近点的欧氏距离。-matlab开发
06-01
% 计算样本点云中每个点的欧氏距离为% 参考点云中最近的点（列数必须％ 比赛） ％ 输入： % 参考 = M x N 矩阵% 样本 = P x N 矩阵 ％ 输出： % distMat = P x N 矩阵
点云损失函数Chamfer Distance 和 Earth Mover‘s Distance
qq_39964246的博客
08-12 4912
浅析点云损失函数Chamfer Distance 和 Earth Mover‘s Distance
deep learning with pytorch——8
01-07
张量是PyTorch中数据的构建块。神经网络以张量作为输入，产生张量作为输出。事实上，神经网络内部和优化过程中的所有操作都是张量之间的操作，而神经网络中的所有参数（如权重和偏差）都是张量。掌握如何对张量执行...
在pytorch 中计算精度、回归率、F1 score等指标的实例
01-20
pytorch中训练完网络后，需要对学习的结果进行测试。官网上例程用的方法统统都是正确率，使用的是torch.eq()这个函数。 但是为了更精细的评价结果，我们还需要计算其他各个指标。在把官网API翻了一遍之后发现并没有...
在Pytorch中计算自己模型的FLOPs方式
09-18
今天小编就为大家分享一篇在Pytorch中计算自己模型的FLOPs方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
莫烦PYTHON——Pytorch——Torch 和 Numpy
01-21
莫烦PYTHON——Pytorch——Torch 和 Numpy1 Numpy array 和 Torch tensor 的转换2 Numpy 和 Torch 中的数学运算2.1 abs 绝对值2.2 三角函数 sin2.3 mean 均值2.4 矩阵乘法 1 Numpy array 和 Torch tensor 的转换 ...
PyTorch 1.7 CUDA 11编译PyTorch-EMDLoss
weijiaw的博客
02-18 2727
尝试编译并安装PyTorch的C++扩展：EMD Loss （Earth Mover’s Distance 动土距离），GitHub链接：https://github.com/meder411/PyTorch-EMDLoss 本人使用Ubuntu 16.04，PyTorch 1.7 + CUDA 11，但由于原文件是用PyTorch 1.0写的，所以直接运行python setup.py install的话，ninja编译器会报错。报错很长，这里贴几个关键词： （中间） FAILED: /xxxxx/PyT
九天毕昇深度学习平台 | 升级python版本3.8/配置ipynb内核
dsbss的博客
06-01 501
下载3.8版本解压在终端配置不指定--prefix时，configure会将可执行文件安装到，库文件安装到，头文件安装到等。
深度学习中的模型架构详解：RNN、LSTM、TextCNN和Transformer
Byyyi耀的博客
06-01 1231
深度学习中的模型架构详解：RNN、LSTM、TextCNN和Transformer
动手学深度学习（Pytorch版）代码实践 -深度学习基础-02线性回归基础版
李思成的博客
05-29 336
动手学深度学习（Pytorch版）代码实践 -深度学习基础-02线性回归基础版 数据生成：使用线性模型 ( y = X*w + b ) 加上噪声生成人造数据集。 数据读取：通过小批量读取数据集来实现批量梯度下降，打乱数据顺序并逐批返回特征和标签。 模型参数初始化：随机初始化权重和偏置，并设置为可计算梯度。 模型定义：实现线性回归模型 ( y = X*w + b )。 损失函数：实现均方误差损失函数。 优化函数：实现小批量随机梯度下降用于更新模型参数。 模型训练：设定学习率和迭代次数，通过每个批量计算损失、
【深度学习】【STWave】时空图预测，车流量预测，Efficient Spectral Graph Attention Network
最新发布
q742971636的博客
06-01 865
交通流量预测对于公共安全和资源优化至关重要，但面临三大挑战：1) 当前工作大多在一个模型中利用复杂的时序模式（如短期雷阵雨和长期日常趋势），无法在不同模式下准确捕捉时空依赖性；2) 图位置编码的探索不足限制了全图注意力网络中空间信息的提取；3) 全图注意力的二次复杂度引入了沉重的计算需求。为实现有效的交通流量预测，我们提出了一种高效的谱图注意力网络，该网络包含解耦的交通序列。具体而言，利用离散小波变换从交通序列中获得低频和高频成分，这些成分能反映长短期模式的时序特征。
2024-05-29 问AI: 在深度学习中，什么是数据集扩增，data augmentation?
baidu_24377669的博客
05-29 680
总的来说，数据集扩增是深度学习中一项重要的技术手段，它通过一系列变换增加了数据的多样性和量，有助于提高模型的泛化能力和避免过拟合。数据集扩增通过引入变化（如旋转、平移、缩放、翻转、色彩调整、添加噪声等）来模拟更多的数据多样性，使得模型能够学习到数据中的不变性和更普遍的特征，而不是特定实例的细节。在实施数据扩增时，需要注意保持数据的真实性和多样性，避免过度的数据扩增导致模型过拟合。数据扩增不仅增加了训练数据的量，更重要的是提高了数据的多样性，帮助模型学习更加鲁棒的特征表示，从而在测试集和实际应用中表现更佳。
基于深度学习的模糊认知图方法
zuiyishihefang的博客
05-29 630
1 文章信息文章题目为“Deep Fuzzy Cognitive Maps for Interpretable Multivariate Time Series Prediction”，该文于2019年发表于“IEEE TRANSACTIONS ON FUZZY SYSTEMS”。文章提出了深度模糊认知图（FCM）用于多变量时间序列预测，同时增加了可解释性。2 摘要模糊认知图（FCM）是一种用于系...
earth mover’s distance
06-28
### 回答1： 地球移动距离（Earth Mover's Distance）是一种用于衡量两个概率分布之间距离的度量方法。它可以计算将一个分布中的质量转移到另一个分布所需的最小成本。具体来说，该方法将两个分布视为在一个二维平面上的两个高度分别为其概率密度函数的堆积物。将一个堆积物转化为另一个堆积物需要一定的成本，成本可以通过两个堆积物中任意两个点之间的距离来衡量。因此，地球移动距离计算的是将一个堆积物变成另一个堆积物的最小成本。 ### 回答2： 地球移动距离（Earth Mover’s Distance，EMD）是一种测量两个概率分布之间差异的度量方法。EMD起源于土木工程领域的物流问题，其基本思想是将一种物质从一个地方运到另一个地方所需的费用。具体来说，如果将两个分布看作分别由一定数量的质量点组成的物质分布，那么它们之间的EMD就是将其中一个分布变化到另一个分布所需的最小运输成本。 EMD通过计算两个分布之间在距离-质量空间中的总移动量来测量它们之间的距离。这个移动量可以被看作是将一个分布中的质量“移动”到另一个分布中所需的最小成本。这种距离度量方法不仅适用于各种类型的分布，而且它可以处理不同尺度、矩阵或多维分布。 EMD在实际中具有广泛的应用。例如，它可以被用于测量图像之间的相似性，文本之间的相似性，以及基因组和蛋白质序列之间的相似性。在计算机视觉中，EMD已经被广泛应用于图像检索、图像分类和目标跟踪等领域。在自然语言处理中，EMD被用于测量文档的相似性和主题模型之间的距离等。此外，在计算生物学和生物信息学领域，EMD也被用于DNA和RNA序列之间的相似性测量。 总的来说，EMD是一种强大的距离度量方法，可以在各种领域中得到广泛应用。它不仅可以用于测量不同类型的概率分布之间的差异，而且可以处理多维和矩阵分布。通过使用EMD，我们可以更好地理解数据之间的相似性和差异，从而更好地解决现实中的问题。 ### 回答3： 地球移动距离（Earth Mover's Distance）是用于测量两个概率分布之间的距离的度量工具。该度量工具最初用于解决计算机视觉中图像相似性的问题。它是一种基于距离的方法，它考虑了两个分布之间的配置差异，可以通过其能量最小化的代价来计算。 地球移动距离通过计算将一个分布变换到另一个所需的最小成本来量化两个分布之间的差异。这种成本可以被视为每个“单位”从一个分布到另一个分布的成本。例如，如果我们正在比较两个物体的颜色分布，那么将一个RGB颜色从一个分布移到另一个分布的成本可以是两个RGB颜色之间的欧氏距离。地球移动距离考虑了这些成本，并计算了将一个分布变成另一个分布所需的最小成本。 在计算机视觉中，地球移动距离经常用于图像检索，场景分类和目标跟踪等任务中。通常将图像的特征表示为概率分布，然后使用地球移动距离来比较这些分布，以确定它们之间的相似性。 总之，地球移动距离是一种将两个概率分布之间的距离量化为成本的方法。它可以应用于各种计算机视觉应用程序中，并已被证明具有高效性和有效性。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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