PFNet - Pytorch实现

原创 已于 2022-03-01 11:31:26 修改 · 2k 阅读 · 11 ·
CC 4.0 BY-SA版权
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。
文章标签：

#单应性估计

于 2022-02-21 10:49:33 首次发布
本文介绍了Rethinking Planar Homography Estimation Using Perspective Fields论文的Pytorch实现，该方法通过预测像素位移（Perspective Fields, PF）提高单应性估计的鲁棒性。网络结构包括ResNet50为基础的编码器和解码器，训练和测试过程也进行了说明。预训练模型可在COCO数据集上进行训练和评估，最终通过RANSAC滤除外点计算精确的单应性矩阵。

PFNet - Pytorch实现

前言

Rethinking Planar Homography Estimation Using Perspective Fields
Rui Zeng, Simon Denman, Sridha Sridharan, Clinton Fookes
这篇论文的Pytorch实现，代码地址 PFNet-pytorch. 喜欢的朋友给个⭐哦

论文理解

这篇论文的创新之处在于：

  1. 提出perspective field (PF)的概念用来进行单应性估计。之前的方法（DHN\UDHN）都是通过预测四个角的偏移量来计算单应性矩阵，但是四个点是不够鲁棒的，任意一点的扰动都可能造成整张图片估计的精确度的下降。本文通过预测每个像素的位移(PF)来提升鲁棒性。（其实这和光流很相似，只不过这里的光流是通过单应性矩阵计算出来的）
  2. 提出了一个全卷积网络来完成PF的预测。
  3. 在预测完成后，通过RANSAC方法来滤除外点，计算出精确的单应性矩阵。

下面来看一下PFNet网络结构，网络结构很清晰，上半部分是编码器，下半部分是解码器。输入是两张堆叠的patch，编码器是ResNet50的前三模块，解码器对应编码器进行相应构造，使用反卷积来上采样，最后输出[H W 2]的PF。
在这里插入图片描述

代码使用说明

一. 准备合成数据集
下载COCO2014数据集
二、训练

最低0.47元/天 解锁文章
PF-Net源码详解
qq_52053775的博客
01-05 2907
参数配置使用默认参数即可，但是windows操作系统下，需要将--workers设置为0.
pytorch | 深度学习分割网络U-net的pytorch模型实现
jacke121的专栏
05-31 3258
pytorch | 深度学习分割网络U-net的pytorch模型实现2017年03月08日 21:48:21阅读数：14374这个是pytorch出来没多久的时候写的了，现在看是非常傻逼的方法，羞耻感十足。 推荐学习项目【pix2pix】的代码，优雅！ –作者 2018.1.30U-Net 的实现现在github上非常多了吧！用dense-net大概也随随便便吊打了吧！不要用我这个啦~批判性参考...
【图像分割】【深度学习】Windows10下PFNet官方代码Pytorch实现与源码讲解
yangyu0515的博客
10-30 981
【图像分割】【深度学习】Windows10下PFNet官方代码Pytorch实现与源码讲解
PF-Net: Point Fractal Network for 3D Point Cloud Completion 2020 论文笔记
phy12321的博客
05-08 4823
上海交通大学，商汤科技 自己的想法：拿着个作为数据预处理模块挺好的，不知道速度怎么样。GAN的损失函数不要太了解，导致其中GAN鉴别器的应用部分有点没看懂，一般设计网络的时候可能到计算Chamber loss就可以了，但是这样生成的点云不够自然，所以加入了GAN让点云看起来更像真的，试验结果也显示GAN对性能提升有一定作用。 论文简介 从激光雷达等设备中获取的点云往往有所缺失，这给点云的后续...
【图像分割】【深度学习】PFNet官方Pytorch代码-PFNet网络FM聚焦模块解析
yangyu0515的博客
11-28 1683
【图像分割】【深度学习】PFNet官方Pytorch代码-PFNet网络FM聚焦模块解析
PFNet：Camouflaged Object Segmentation with Distraction Mining——论文简述
gongyuandaye的博客
10-29 2136
针对伪装目标检测，本论文提出了Positioning and Focus Network (PFNet)，该网络包含两个模块，定位（positioning module，PM）和聚焦（focus module，FM）。其中，定位模块从全局定位目标可能所在的位置，聚焦模块对区域进行识别并消除干扰来完善分割结果。
DFT的matlab源代码-torch-dftd:dftd2和dftd3的pytorch实现
05-26
[2，3]的pytorch实现 安装 # Install from pypi pip install torch-dftd # Install from source (for developers) git clone https://github.com/pfnet-research/torch-dftd pip install -e . 快速开始 from ase . ...
简单有趣的轻量级网络 Efficientnet（可以直接替换自己数据集）-直接放置自己的数据集就能直接跑。跑的代码有问题的可以在评论区（网络结构详解+详细注释代码+核心思想讲解）——pytorch实现
爱吃橘子的小翟
05-03 3268
这期博客我们来学习一下Efficientnet网络，属于NAS系列中最优秀的轻量级网络之一，通过NAS搜索的方式确定最佳的网络结构。之前的神经网络的宽度深度，输入图像的分辨率，是怎么获得的呢，说白了就是经验，研究人员通过无数的设计经验获得的，但是网络的发展不可能一直通过经验，如何获取最佳的结构是大家研究的问题。Efficientnet论文下载地址：https://arxiv.org/abs/1905.11946在Efficientnet出现之前，大家都在纠结对于提高网络性能的三点要求：
【Pytorch】【OnnxRuntime部署】系列学习文章目录
yangyu0515的博客
09-10 3061
【pytorch】【onnx部署】系列学习文章目录
【论文阅读】PF-Net: Point Fractal Network for 3D Point Cloud Completion
进步青年
06-02 6255
背景 点云补全（Point Cloud Completion）用于修补有所缺失的点云（Point Cloud），从缺失点云出发估计完整点云，从而获得更高质量的点云。 点云有助于用较小的数据量描述三维物体，在三维物体的检测识别领域应用广泛。 在 PointNet 和 PointNet++ 使用深度学习网络实现了点云分割和点云分类之后，点云深度学习逐渐成为热门研究领域。但是，从激光雷达等设备中获取的点云往往有所缺失（反光、遮挡等），这给点云的后续处理带来了一定的困难，也凸显出点云补全作为点云预处理方法的重.
pFedHN:“使用超网络进行个性化联合学习”的官方代码实现
05-05
使用超网络的个性化联合学习 这是使用超网络论文的个性化联合学习的正式实施。 安装 使用conda / virtualenv创建虚拟环境 克隆仓库 运行： cd <PATH> 运行： pip install -e . 安装必要的软件包和路径链接。 复制纸张结果 CIFAR10的PfedHN结果 运行： cd experiments/pfedhn 运行： python trainer.py CIFAR10上的PfedHN-PC结果 运行： cd experiments/pfedhn_pc 运行： python trainer.py 引文 如果您发现pFedHN在您自己的研究中很有用，请考虑引用以下论文： @article { shamsian2021personalized , title = { Personalized Federated
PF-Net: Point Fractal Network for 3D Point Cloud Completion
weixin_42037651的博客
09-24 4772
PF-Net:用于三维点云补全的点分形网络 Abstract   在本文中，我们提出了一种点分形网络（PF-Net），一种新的基于学习的精确高保真点云补全方法。与现有点云补全网络不同，现有点云补全网络从不完整的点云生成点云的整体形状，并且总是改变现有点，并遇到噪声和几何损失，PF-Net保留了不完全点云的空间排列，并能计算出预测中缺失区域的详细几何结构。为了完成这项任务，PF-Net利用基于特征点的多尺度生成网络分层估计缺失的点云。此外，我们将多阶段完成损失和对抗损失相加，以生成更真实的缺失区域。对抗性损失
如何理解基于深度学习的点云补全算法 - PF-Net (Point Fractal Network for 3D Point Cloud Completion) ?
热门推荐
weixin_40247876的博客
02-15 1万+
CV_6 PF-Net 算法解析 一. 引言  了解激光雷达- LiDAR 特性的同学们都知道，LiDAR有一个致命的缺陷，那就是随着被检测物体的距离越来越远，根据LiDAR获取的点云的密度将会变得越来越稀疏，我们通常把它称之为“ 近密远疏 ”特性。为了解决这一问题，换句话说就是对稀疏点云进行补足，衍生出来很多种办法，比如将图像中的二维特征点进行三维转换等等。当然，自然也跑不了深度学习这个万金油。本文就将对这些算法中，个人认为比较有效的算法：PF-Net 算法进行简单的分析。 二. PF-Net 算法的核
【图像分割】【深度学习】PFNet官方Pytorch代码-PFNet网络损失函数模块解析
yangyu0515的博客
11-28 1446
【图像分割】【深度学习】PFNet官方Pytorch代码-PFNet网络损失函数模块解析
PF-Net点云分析及源码详解
UePostscript的博客
09-27 671
PF-Net是一种基于深度学习的点云分析算法，通过点云编码和目标检测与语义分割两个模块实现对点云数据的处理和分析。通过深入理解PF-Net的网络结构和关键代码，读者可以更好地掌握该算法，并在实际应用中进行相应的调整和优化。具体来说，对于目标检测任务，PF-Net使用全连接层将特征映射到目标的位置和类别，并输出相应的概率。对于语义分割任务，PF-Net采用了卷积神经网络，对特征进行进一步处理，生成像素级别的语义分割结果。PF-Net是一种基于深度学习的点云分析算法，其目标是实现点云的语义分割和目标检测。
03 PF-Net: Point Fractal Network for 3D Point Cloud Completion
xiaoxuebajie的博客
04-11 3321
PF-Net: Point Fractal Network for 3D Point Cloud Completion摘要创新性思路启发网络结构几点思考参考资料 论文地址：https://arxiv.org/pdf/2003.00410.pdf 代码地址：https://github.com/zztianzz/PF-Net-Point-Fractal-Network.git 论文类别：三维重建 ...
3D点云-CVPR 2020-PF-Net: Point Fractal Network for 3D Point Cloud Completion
一名从Java开发工程师转型的人工智能研究生，致力于图像修复和图像超分领域的探索与研究。通过博客分享个人的学习心得、研究成果以及在人工智能应用中的实际经验，欢迎与同行交流。
09-09 2109
是一种专门为三维点云补全设计的深度学习模型。点云补全实际上和图片补全是一个逻辑，都是采用GAN模型的思想来进行补全，在图片补全中，将部分像素点删除并且标记，然后卷积特征提取预测、判别器判别，来训练模型，生成的像素点与原来像素点比较完成模型的训练。而PF-Net就是采用GAN的思想在3D点云上的应用。
【亲测免费】 PF-Net: 点云补全的点分形网络安装及使用指南
gitblog_00612的博客
08-15 1375
PF-Net: 点云补全的点分形网络安装及使用指南 项目介绍 背景与目标 PF-Net（Point Fractal Network）是一种用于三维点云补全的深度学习算法。由黄子天等人在CVPR2020会议中提出。不同于传统的点云补全方法仅关注于填补缺失区域，PF-Net专注于精细保留已有点云结构的同时完成补全任务。 该项目旨在提升三维模型重建领域中的点云处理能力，尤其是面对部分数据丢失或遮挡的情况...
PFNet：伪装目标分割与分心挖掘
记录
01-04 2243
PFNet来自于CVPR2021的一篇论文（Camouflaged Object Segmentation with Distraction Mining），用于完成伪装对象分割任务。
pfnet点云补全复现如何做
最新发布
08-22
要复现 PFNet 点云补全模型，需要遵循一系列步骤，包括环境搭建、数据集准备、模型代码获取与训练、评估与可视化等。以下是具体步骤和方法： ### 环境搭建 确保系统中安装了必要的软件和库。PFNet 的实现通常基于 PyTorch 框架。需要安装的库包括但不限于 `torch`, `numpy`, `scikit-learn`, `matplotlib` 等。可以通过以下命令安装这些依赖项： ```bash pip install torch numpy scikit-learn matplotlib ``` ### 数据集准备 PFNet 使用的数据集通常是 ShapeNet 或者类似的 3D 形状数据集。可以从 ShapeNet 官方网站下载数据集。下载完成后，需要对数据集进行预处理，包括点云采样、归一化等操作。预处理脚本通常可以在 PFNet 的官方仓库中找到。 ### 获取模型代码 PFNet 的官方实现代码可以在 GitHub 上找到。克隆仓库并进入相应的目录： ```bash git clone https://github.com/your-repo/PFNet.git cd PFNet ``` ### 模型训练 在准备好数据集和代码环境后，可以开始训练模型。训练脚本通常会在 `train.py` 文件中。运行训练脚本时，可以指定一些参数，例如数据集路径、批量大小、学习率等： ```bash python train.py --dataset_path /path/to/dataset --batch_size 32 --learning_rate 0.001 ``` ### 模型评估与可视化 训练完成后，可以使用验证集对模型进行评估。评估脚本通常在 `evaluate.py` 文件中。运行评估脚本时，同样需要指定数据集路径和其他相关参数： ```bash python evaluate.py --dataset_path /path/to/dataset --model_path /path/to/model ``` 评估结果可以通过可视化工具进行展示，例如 `matplotlib` 或者 `open3d` 库。 ### 相关问题 1. PFNet 点云补全模型的主要创新点是什么？ 2. 如何选择适合 PFNet 训练的硬件配置？ 3. 在 PFNet 中，如何处理不同规模的点云数据？ 4. PFNet 的训练过程中有哪些常见的问题和解决方案？ 5. 如何优化 PFNet 的推理速度？
评论 4
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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