多种网络圆形性能图——帮你冲击CVPR、ECCV、ICCV

最新推荐文章于 2023-07-23 19:16:41 发布
最新推荐文章于 2023-07-23 19:16:41 发布
阅读量487 收藏 5
点赞数 1
分类专栏： PyTorch 深度学习（Deep Learning） 机器学习（Machine Learning） 文章标签： 计算机视觉 python 深度学习
搬的时候标注一下来源，谢谢。
本文链接：https://blog.csdn.net/weixin_44878336/article/details/124809241
版权

1. 引言

你是否也想问，CVPR论文中第一页的图是怎么画的，这里为你提供了代码，只需稍微的改动即可实现。

2. 效果图

在这里插入图片描述
在这里插入图片描述

3. 代码实现

  1. 没有注释，如图1所示
  2. 带有注释，如图2所示

代码如下：

3.1 不带注释 —— 如图1

import os.path
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['Times New Roman']
"""
        x: x轴的数据 —— 网络的速度
            * x_A
            * x_B

        y: y轴的数据 —— 网络的top-1准确率
            * y_A
            * y_B

        不同的形状代表的含义：网络的参数量
            circle（圆形）:  
                * circle_size
            star（三角形）:
                * star_size
"""

"""====== [x -> 速度] ======"""
x_A = [100, 105, 111, 132, 108, 145]
x_B = [200, 222, 241, 210, 240, 207]

"""====== [y -> top-1准确率] ======"""
y_A = [96, 92, 92, 91, 95, 93]
y_B = [93, 90, 88, 89, 92, 87]

"""====== [circle -> 参数量] ======"""
# 如果大小不合适，调整factor
factor_A = 5
circle_size = [i * factor_A for i in [110, 70, 65, 90, 140, 65]]

"""====== [star -> 参数量] ======"""
# 如果大小不合适，调整factor
factor_B = 5
star_size = [i * factor_B for i in [55, 34, 30, 40, 60, 30]]

# 形状的颜色变化
color_size = [0, 1, 2, 3, 4, 5]

# 定义保存图片的路径
fig_path = "./res"
file_name = "examples_without_annotation.svg"
save_path = os.path.join(fig_path, file_name)
print(save_path)

if not os.path.exists(fig_path):
    os.mkdir(fig_path)

"""====== [开始绘制] ======
    https://matplotlib.org/stable/api/markers_api.html
"""
fig, ax = plt.subplots()
scatter_A = plt.scatter(x_A, y_A, c=color_size, s=circle_size, marker='o')  # x, y, c多种网络圆形性能图——帮你冲击CVPR、ECCV、ICCVolor, shape
scatter_B = plt.scatter(x_B, y_B, c=color_size, s=star_size, marker="*")  # x, y, color, shape

# 隐藏rt和r的框线
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

# x和y轴的名称
plt.xlabel("x-axis/unit")
plt.ylabel("y-axis/unit")

plt.tight_layout()
"""
保存图片
    https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.savefig.html?highlight=savefig#matplotlib.pyplot.savefig
"""
plt.savefig(save_path)  # 保存图片
print(f"Figure has been saved in [{str(save_path)}]")
plt.show()

3.2 带有注释 —— 如图2

import os.path
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['Times New Roman']
"""
        x: x轴的数据 —— 网络的速度
            * x_A
            * x_B

        y: y轴的数据 —— 网络的top-1准确率
            * y_A
            * y_B

        不同的形状代表的含义：网络的参数量
            circle（圆形）:  
                * circle_size
            star（三角形）:
                * star_size
"""

"""====== [x -> 速度] ======"""
x_A = [100, 105, 111, 132, 108, 145]
x_B = [200, 222, 241, 210, 240, 207]

"""====== [y -> top-1准确率] ======"""
y_A = [96, 92, 92, 91, 95, 93]
y_B = [93, 90, 88, 89, 92, 87]

"""====== [circle -> 参数量] ======"""
# 如果大小不合适，调整factor
factor_A = 5
circle_size = [i * factor_A for i in [110, 70, 65, 90, 140, 65]]

"""====== [star -> 参数量] ======"""
# 如果大小不合适，调整factor
factor_B = 5
star_size = [i * factor_B for i in [55, 34, 30, 40, 60, 30]]

"""====== [annotation的信息] ======"""
txt_v1 = ['A-1', 'A-2', 'A-3', 'A-4', 'A-5', 'A-6']
txt_v2 = ['B-1', 'B-2', 'B-3', 'B-4', 'B-5', 'B-6']

# 形状的颜色变化
color_size = [0, 1, 2, 3, 4, 5]

# 定义保存图片的路径
fig_path = "./res"
file_name = "examples_with_annotation.svg"
save_path = os.path.join(fig_path, file_name)
print(save_path)

if not os.path.exists(fig_path):
    os.mkdir(fig_path)

"""====== [开始绘制] ======
    https://matplotlib.org/stable/api/markers_api.html
"""
fig, ax = plt.subplots()
scatter_A = plt.scatter(x_A, y_A, c=color_size, s=circle_size, marker='o')  # x, y, color, shape
scatter_B = plt.scatter(x_B, y_B, c=color_size, s=star_size, marker="*")  # x, y, color, shape

# 隐藏rt和r的框线
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

# x和y轴的名称
plt.xlabel("x-axis/unit")
plt.ylabel("y-axis/unit")

"""========================================= [net_1] ========================================="""
offset_A = 0.7
for i in range(len(circle_size)):
    if i == 0:  # 第一个圆
        plt.annotate(txt_v1[i],
                     xy=(x_A[i], y_A[i]),
                     xytext=(x_A[i] + 10, y_A[i] - 0.1),
                     xycoords='data',
                     arrowprops=dict(arrowstyle='|-|, widthA=0,widthB=0', connectionstyle='arc3,rad=0', color="0.5"),
                     )
    elif i == 1:  # 第二个圆
        plt.annotate(txt_v1[i],
                     xy=(x_A[i], y_A[i]),
                     xytext=(x_A[i] - 10, y_A[i] - 1),
                     xycoords='data',
                     arrowprops=dict(arrowstyle='|-|, widthA=0,widthB=0', connectionstyle='arc3,rad=0', color="0.5"),
                     )
    elif i == 3:  # 第4个圆
        plt.annotate(txt_v1[i],
                     xy=(x_A[i], y_A[i]),
                     xytext=(x_A[i] + 10, y_A[i] - 0.1),
                     xycoords='data',
                     arrowprops=dict(arrowstyle='|-|, widthA=0,widthB=0', connectionstyle='arc3,rad=0', color="0.5"),
                     )
    elif i == 4:  # 第5个圆
        plt.annotate(txt_v1[i],
                     xy=(x_A[i], y_A[i]),
                     xytext=(x_A[i] + 4, y_A[i] - 1),
                     xycoords='data',
                     arrowprops=dict(arrowstyle='|-|, widthA=0,widthB=0', connectionstyle='arc3,rad=0', color="0.5"),
                     )
    elif i == 5:  # 第6个圆
        plt.annotate(txt_v1[i],
                     xy=(x_A[i], y_A[i]),
                     xytext=(x_A[i] - 0.1, y_A[i] + 1.0),
                     xycoords='data',
                     arrowprops=dict(arrowstyle='|-|, widthA=0,widthB=0', connectionstyle='arc3,rad=0', color="0.5"),
                     )
    else:
        plt.annotate(txt_v1[i],
                     xy=(x_A[i], y_A[i]),
                     xytext=(x_A[i] + offset_A, y_A[i] + offset_A),
                     xycoords='data',
                     # textcoords='offset pixels',
                     # textcoords='data',
                     arrowprops=dict(arrowstyle='|-|, widthA=0,widthB=0', connectionstyle='arc3,rad=0', color="0.5"),
                     # fontsize=16,
                     # arrowprops=dict(arrowstyle='->, head_length=0.4, head_width=0.2', connectionstyle='arc3,rad=0')
                     # arrowprops=dict(arrowstyle='wedge, tail_width=0.3, shrink_factor=0.5', connectionstyle='arc3,rad=0')
                     # arrowprops=dict(arrowstyle='fancy, head_length=0.4, head_width=0.4, tail_width=0.4', connectionstyle='arc3,rad=0')
                     # arrowprops=dict(arrowstyle='simple, head_length=0.5, head_width=0.5, tail_width=0.2', connectionstyle='arc3,rad=0')
                     )

"""========================================= [net_2] ========================================="""
offset_B = 1
for i in range(len(star_size)):
    plt.annotate(txt_v2[i],
                 xy=(x_B[i], y_B[i]),
                 xytext=(x_B[i] + offset_B, y_B[i] + offset_B),
                 xycoords='data',
                 # textcoords='offset pixels',
                 textcoords='data',
                 arrowprops=dict(arrowstyle='|-|, widthA=0,widthB=0', connectionstyle='arc3,rad=0', color="0.5"),
                 )

plt.tight_layout()
"""
保存图片
    https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.savefig.html?highlight=savefig#matplotlib.pyplot.savefig
"""
plt.savefig(save_path)  # 保存图片
print(f"Figure has been saved in [{str(save_path)}]")
plt.show()

4. 补充

  1. 代码很简单，无需讲解😂
  2. 输出图片格式可以调节，详情见Matplotlib文档
Le0v1n
关注
  • 1
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Android自定义圆形能力图（天赋，能力分布图）
08-20
Android自定义圆形能力图（天赋，能力分布图），类似选手能力分布，个人天赋分布图。
【深度学习】神经网络可视化工具，超全汇总！
最新发布
fengdu78的博客
09-26 2077
神经网络可视化是指通过图形化的方式展示神经网络的结构、参数、输入、输出、中间结果等信息，可以帮助用户更好地神经网络的内部工作原理和特征提取过程，以优化神经网络模型。扩展阅读：神经网络学习到的是什么？机器学习可视化技术概览(Python)本文汇总了全网最为全面的26款神经网络可视化工具，可以帮助大家了解神经网络的结构组成、工作原理和性能表现，从而更好地进行模型调整和优化。也可以画出酷炫的模型图方...
ppt复现CVPR顶会流程图
wlh2067的博客
11-20 2318
都是可编辑的ppt形状，我把它下载下来并提取了其中非常有用的，后台回复【机器学习绘图】领取。最后，ML机器学习流程图绘制可以参考相应模板，这个项目在GitHub上。重复上述过程，叠加立方体，设置不同颜色，如图所示。本次目标如下图，难点在于立方体和矩阵格网的绘制。科研代码不提倡重复造轮子，其实绘图也是。调整好使其贴合立方体，如图所示。文末附机器学习绘图模板~最后添加文字，细节等等。可以给作者投递star。
流程图绘制经验积累
乐兮山南水北的博客
11-13 495
论文画图
CVPR 2023 | 可控文生图/定制化文生图领域论文详解 AI作画增强版
xuxu96
07-23 4520
CVPR 2023 | 可控文生图/定制化文生图领域论文详解 AI作画增强版
2015-2017ECCV，ICCV，CVPR神经网络论文
06-18
在计算机视觉领域，ECCV（欧洲计算机视觉会议）、ICCV（国际计算机视觉大会）和CVPR（计算机视觉与模式识别会议）是三大顶级学术会议，每年都会吸引全球的研究者们展示他们的最新研究成果，特别是在神经网络和深度...
基于深度学习的图像超分辨率算法论文合集2015-2019（CVPR,ECCV,ICCV）
03-31
ECCV和ICCV等顶级会议上的研究进一步推动了这一领域的发展。例如，ESPCN（Efficient Sub-Pixel Convolutional Neural Networks）提出了子像素卷积层，这使得网络能够在保持计算效率的同时增加输出分辨率。FSRCNN...
latest-development-of-ISR-VSR:ISRVSR的最新发展。 有关图像超分辨率和视频超分辨率的论文和相关资源，主要是ICCV，ECCV和CVPR中的最新技术作品
05-10
[更新中]论文和相关资源，主要是ICCV，ECCV和CVPR中有关图像超分辨率和视频超分辨率的最新技术和新颖作品。 内容 指标争议 SR中的建议：CVPR2018 最新调查 ，arXiv [于2019年2月16日提交（v1），最新修订于2020年2...
matlibplot 一张图画多个曲线_从一张风景照中就学会的SinGAN模型，究竟是什么神操作？| ICCV 2019最佳论文...
weixin_39673303的博客
11-28 140
作者 | 王红成，中国海洋大学-信息科学与工程学院-计算机技术-计算机视觉方向研究生，研二在读，目前专注于生成对抗网络的研究编辑 | Jane出品 | AI科技大本营(ID：rgznai100)【导读】10 月 27 日-11 月 2 日，计算机视觉领域的顶级会议 International Conference on Computer Vision(ICCV)在首尔召开，10 月 29 日在大会...
绘制游戏中的网状能力图
鲨鱼不会飞的博客
03-15 6274
绘制游戏中的网状能力图
【资源分享】如何画出论文中漂亮的图？
learning CV
04-18 2819
俗话说：“好记性不如烂笔头”，多写写多记记，总不会错。多一些不为什么的坚持，少一些功利主义的追求。 今天分享一个宝藏PPT，内容是论文中常见的网络结构图。 经常有人会问，论文中的漂亮图是怎么画出来的？ 我们都知道.
【CVPR2018】论文整理(收藏这一篇就够了)
热门推荐
木盏
06-23 6万+
CVPR作为CV界最受关注的三大顶会之一，每一个CVer都应该好好关注论文。CVPR2018在今年6月18日-22日在美国盐湖城举行。 先介绍一下CVPR2018的一些数据： 今年一共收到3303篇文章，其中979篇被录用。投录比约为29.6%。 收录论文按专家评分，分为三个层次：Poster, Spotlight, Oral。 Spotlight(亮点论文)一共有224篇，占收录论文(22...
绘制圆环图/雷达图/星形图/极坐标图/径向图POLAR CHART可视化分析汽车性能数据...
拓端研究室TRL
12-29 569
原文链接：http://tecdat.cn/?p=24896漂亮的圆形图。我不确定对数据分析师本身是否有额外的好处，但如果能吸引决策者的注意，那对我来说就是额外的价值（点击文末“阅读原文”获取完整代码数据）。然而，用coord\_polar()或偶尔发现的ggplot2中的coord\_radar()构建它们可能很难。我发现的两个主要问题是，极坐标的变化会使你的路径弯曲成圆形，而且雷达无法与geo...
学术论文中的图表有哪几类，一般用什么软件来画？Excel的强大作图功能
慌张姐的博客
12-29 1万+
科学论文图表首先要规矩，符合期刊的投稿要求，然后在规矩的基础上实现图表的美观和专业。在当前贯彻科技论文规范化、标准化的同时,图表的设计也应规范化、标准化。所以，科学论文图表的制作原则主要是规矩、简单、美观和专业： ① 规范：图表要素的满足是做好图表的一个基础条件。规矩就是指论文图表符合投稿杂志的图表格式要求。文章投稿前都会有形式各异的介绍（具体可以参考投稿期刊的《作者投稿指南》或《A...
NIPS 2018 接收论文list 完整清单
TomRen
09-12 1万+
NIPS2018 接收论文包括poster、tutorial、workshop等，目前官网公布了论文清单： https://nips.cc/Conferences/2018/Schedule 同时还给出了workshop介绍。
python画圆形网络图_利用tikz-network和python画复杂的网络图
weixin_39893042的博客
12-01 649
之前，我们发现可以利用matplotlib和NetworkX画网络图，但是受到种种限制，实际画图会有一些问题，并且图片的质量并不是很高。如果用Latex写论文的话，能够直接插入文档是最好的旋转。那么TeX下，当仁不让的工具包就是tikz。其矢量图的功能非常强大，并且已经由Jürgen Hackl扩展出了https://github.com/hackl/tikz-network的工具包，使用和其他网...
找找最近两年ECCV ICCV CVPR中，关于transformer在遥感方面的论文
03-14
我可以回答这个问题。在最近两年的ECCV ICCV CVPR中，有一些关于transformer在遥感方面的论文，例如： 1. "Transformer-based Multi-Scale Feature Aggregation for High-Resolution Remote Sensing Image Classification" (ECCV 2020) 2. "Multi-Scale Transformer Networks for Remote Sensing Image Classification" (CVPR 2021) 3. "Attention-based Multi-Scale Guided Network for Remote Sensing Image Classification" (ICCV 2019) 这些论文都探讨了transformer在遥感图像分类方面的应用。

“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
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