[代码调试]Unsupervised Deep Image Stitching代码调试（完结）

已于 2022-04-01 19:39:10 修改
阅读量824 收藏 5
点赞数
分类专栏： 代码调试记录 文章标签： 深度学习 神经网络 tensorflow 机器学习 图像处理
于 2021-10-11 20:57:50 首次发布
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_46111316/article/details/120711575
版权

论文及代码下载地址1
论文及代码下载地址2
论文及代码下载地址3

文章目录

一、代码

Ⅰ、第一阶段 ImageAlignment代码调试
1、ModuleNotFoundError: No module named ‘tensorflow.contrib’

出错程序： H_model.py
在这里插入图片描述出错原因：
出现这个错的原因主要是由于tensorflow的版本引起的，tensorflow.contrib 包是存在于tensorflow 1.x 版本中的，在tensorflow 2.x 版本中，已经没有tensorflow.contrib 包了，所以会报错。

解决方法：
只需要重新安装tensorflow 1.x 版本就可以了，附上如何在Anaconda中配置tensorflow的教程——安装教程

如果你不想再重新安装一遍，那么就去找方法，看能不能不降低版本解决吧！

2、IndexError: list index out of range

出错程序： utils.py
在这里插入图片描述出错原因：
一般在python程序中出现“list index out of range”的错，主要有两种原因：

  1. 超出了list的范围
    比如，list=（0,1,2）,但是使用的时候错误的调用了list[4]，就会出现索引超出范围的错；
  2. list为空，在这种情况下使用list[0]便会报错；

解决方法：
经过添加测试程序，发现本文的代码出错原因应该是属于上述两种情况中的第二种，list为空，但是却错误的使用了list[0]，因此出现错误。

# 测试代码，位于utils.py 的DataLoader类中
# ============================== 索引为空 &
最低0.47元/天 解锁文章
小李不会编程啊
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
Unsupervised-Deep-Keyphrase-Generation:“无监督的深度关键字生成”的主要代码
04-17
无监督的深度关键字生成 “无监督的深度关键字生成”的主要代码
【论文翻译0921】UnsuperDeepImageStitching:ReconstructingStitchedFeaturesToImages
weixin_42306148的博客
09-21 275
摘要 摘要——传统的基于特征的图像拼接技术在很大程度上依赖于特征检测质量，往往无法拼接特征较少或分辨率低的图像。由于缺乏标记数据，很少研究基于学习的图像拼接解决方案，这使得监督方法不可靠。为了解决上述限制，我们提出了一个无监督的深度图像拼接框架，包括两个阶段：无监督的粗略图像对齐和无监督的图像重建。在第一阶段，我们设计了一个基于消融的损失来约束一个无监督的单应网络，它更适合大基线场景。此外，引入了一个转换器层来扭曲拼接域空间中的输入图像。在第二阶段，基于可以在一定程度上消除特征水平的像素级错位的见解，我们设
【论文精读】A view-free image stitching network based on global homography-基于全局单应的无视图图像拼接网络
qq_46111316的博客
10-14 4731
论文链接地址 代码链接地址 关于本文的代码，我已经调试过了，在调试过程中遇到的错误，我也做了一些总结，有需要的可以参考这篇博文。A view-free image stitching network based on global homography代码调试 文章目录前言摘要一、介绍二、相关工作2.1 传统图像拼接2.2 深度图像拼接三、我们的方法3.1 单应估计阶段3.2 结构缝合阶段3.3 内容修订阶段3.4 损失函数四、数据生成五、实验5.1 实现细节5.2 与深度单应估计比较5.3 与图像拼接算法
阅读笔记（MM2023）Learning pixel-wise alignment for unsupervised image stitching
小秋在路上~
03-23 1072
图像拼接旨在对同一视图中的一对图像进行对齐。对于图像拼接来说，生成具有自然结构的精确对齐是一个挑战，因为在非共面的实际场景中，没有更宽视场图像作为参考。在本文中，我们提出了一个无监督图像拼接框架，突破了单应性估计中的共面约束，实现了在有限重叠区域下的精确像素级对齐。首先，我们通过迭代密集特征匹配结合误差控制策略来生成全局变换，以减轻由大视差引入的差异。
【论文笔记】A view-free image stitching network based on global homography
prask的博客
06-19 254
估计不同视角的两个输入图像之间的全局单应性矩阵全局单应性矩阵通过结构拼接层，得到粗拼接结果再通过内容修正网络来消除鬼影，并对拼接结果的内容进行细化还提出了一种生成用于网络训练的合成数据集的方法。实验结果表明，与传统方法相比，该方法几乎可以100%消除重叠区域的伪影，而非重叠区域的轻微畸变是可以接受的。此外，该方法是view-free 和鲁棒的，尤其适用于特征点难以检测的场景。提出了一种view-free图像拼接网络。
（ICCV 2023）Parallax-Tolerant Unsupervised Deep Image Stitching
03-19
（ICCV 2023）Parallax-Tolerant Unsupervised Deep Image Stitching
Unsupervised Deep Transfer Feature Learning for Medical Image Classification
07-01
Unsupervised Deep Transfer Feature Learning for Medical Image Classification Unsupervised Deep Transfer Feature Learning for Medical Image Classification Unsupervised Deep Transfer Feature Learning ...
Learning pixel-wise alignment for unsupervised image stitching
最新发布
03-24
Learning pixel-wise alignment for unsupervised image stitching
Unsupervised-Intent:无监督意图检测的代码和资源
03-30
无监督意图无监督意图检测的代码和资源安装pip install -r requirements.txtconda install faiss-cpu -c pytorc跑步： python unit_test.py --ranker_method transformer --random_shuffle 1帮助： --ranker_method:...
deep unsupervised learning
01-28
a very useful tutorial document for deep learning.
A view-free image stitching network based
08-30
A view-free image stitching network based
homography
03-17
homography
论文阅读笔记|A view-free image stitching network
weixin_43917574的博客
05-29 1192
本文提出了一种基于全局单应性的视角自由的图像拼接网络，简称VFISNet
阅读笔记（JVCIR 2020）A view-free image stitching network based on global homography
小秋在路上~
02-01 154
图像拼接是一项传统但具有挑战性的计算机视觉任务，其目标是获得无缝的全景图像。最近，研究人员开始利用深度学习来研究图像拼接任务。然而，现有的学习方法在图像捕获过程中假设了一个相对固定的视图，因此对灵活视图的泛化能力较差。(这些模型在训练时没有足够考虑到视角的变化，或者训练数据中缺乏足够多样性的视角信息。)为了解决上述问题，我们提出了一种基于全局单应的级联无视图图像拼接网络。这种新颖的图像拼接网络不受图像视图的限制，可以分三个阶段实现。特别地，我们首先从不同的角度估计两个输入图像之间的全局单应性。然后提出了一个
Unsupervised Deep Image Stitching代码
qq_46111316的博客
10-22 636
文章目录一、ImageAlignment1、synthetic_dataset.py2、train_H.pywith tf.name_scope(scope)含义os.path.join()glob.glob() 一、ImageAlignment 1、synthetic_dataset.py 该文件主要是用来产生实验所需数据集的函数。 2、train_H.py 该部分是简单的参数传递。 with tf.name_scope(scope)含义 参考链接 定义一个命名空间。命名空间对变量的使用没有任何影响，不
Unsupervised Deep Homography - Pytorch实现
weixin_43917574的博客
03-22 1889
Unsupervised Deep Homography - Pytorch实现
【论文精读】Unsupervised Deep Image Stitching: Reconstructing Stitched Features to Images（无监督的深度图像拼接）
qq_46111316的博客
10-16 5849
论文下载链接 文章目录前言摘要一、介绍二、相关工作2.1 基于特征的图像拼接2.2 基于学习的图像拼接2.3深度单应方法==》研究动机三、无监督图像拼接Ⅰ、无监督图像对齐Ⅱ、无监督图像重建四、实验Ⅰ、数据集Ⅱ、实验细节五、总结和未来工作Ⅰ、总结Ⅱ、局限和未来工作 前言 图像拼接(Image Stitching)可以说是计算机视觉领域中一个非常经典且完备的体系，由于其包含如特征点检测、映射估计、匹配对齐、投影变换和图像融合等重要算法（其中每一个小点都可单独拿出来研究）。自2007年Matthew Brown在
Unsupervised Deep Image Stitching: ReconstructingStitched Features to Images
moonlightpeng的博客
10-16 385
深度学习
论文阅读笔记|Unsuperised Deep Homography
weixin_43917574的博客
03-01 3126
本文提出了一种无监督学习算法，设计了一个卷积神经网络进行单应性估计，使用了不需要人工标签的光度损失函数，并引入了张量直接线性变换层和空间变换层，在合成数据集和真实数据集上都取得了较好的效果。
Feature Representation Learning for Unsupervised Cross-domain Image Retrieval
05-11
Feature representation learning for unsupervised cross-domain image retrieval refers to the process of extracting meaningful features from images in one domain (e.g., paintings) and using those features to retrieve similar images in another domain (e.g., photographs). This is typically done in an unsupervised manner, meaning that no explicit labels or annotations are provided to guide the learning process. One common approach to unsupervised feature representation learning is to use deep neural networks, such as convolutional neural networks (CNNs), to extract high-level features from images. These features can then be used to train a retrieval model that maps images from one domain to the other based on their similarity in feature space. There are several challenges to unsupervised cross-domain image retrieval, including differences in image content, style, and quality between domains. To address these challenges, researchers have developed a variety of techniques, such as domain adaptation, data augmentation, and adversarial training, to improve the performance of feature representation learning for cross-domain image retrieval. Overall, feature representation learning for unsupervised cross-domain image retrieval is an important area of research with many potential applications, including art history, fashion, and product recommendation.
评论 3
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