- 博客(7)
- 收藏
- 关注
RSS订阅原创 RuntimeError: CUDA out of memory. Tried to allocate 92.00 MiB (GPU 0； 23.68 GiB total capacity问题
8.85 GiB reserved in total by PyTorch) If reserved memory is >> allocated memory try setting max_split_size_mb to avoid fragmentation. See documentation for Memory Management and PYTORCH_CUDA_ALLOC_CONF问题。- 设置max_split_size_mb参数，这样可以避免内存碎片化，提高内存利用率。
2023-04-18 13:07:21
4748
原创 关于BN层笔记
(3) BN(Batch Normalization)层原理与作用 - CSDN博客. https://blog.csdn.net/chaipp0607/article/details/112853861 访问时间 2023/4/18.(1) BN层详解（含有公式推导过程）-CSDN博客. https://blog.csdn.net/Orange_sparkle/article/details/126929694 访问时间 2023/4/18.BN层一般放在卷积层或全连接层后，激活函数前⁵⁶。
2023-04-18 10:23:51
274
原创 读论文--StructDepth: Leveraging the structural regularities for self-supervised indoor depth extimation
在户外的数据集上，自监督单目深度估计已经取得了令人影响深刻的性能。然而，（面临的问题）由于缺乏纹理，自监督单目深度估计的性能在室内显著下降。如果缺乏纹理信息，光度损失的约束性能就会下降，无法训练出好的深度网络。受早期室内建模工作的影响，本文利用室内场景中表现出来的结构规律，训练出更好的网络。
2023-04-15 19:02:28
209
原创 读论文--P2Net: Patch-match and Plane-regularizationfor Unsupervised Indoor Depth Estimation
本文处理了室内环境中的无监督深度估计任务。这项任务非常具有挑战性，因为在这些场景中存在大量的非纹理区域。这些区域可以淹没在常用的处理户外环境的无监督深度估计框架的优化过程中。然而，即使这些区域被掩盖了，性能仍然不能令人满意。在本文中，我们认为非区分点匹配的性能不佳。为此，我们提出了P2网络。（一）我们首先提取具有较大局部梯度的点，并采用以每个点为中心的斑块作为其表示。然后在补丁上定义多视图一致性损失。该操作显著提高了网络训练的鲁棒性。（二）
2023-04-15 12:14:55
325
4
原创 Felzenszwalb superpixel segmentation
这种方法是基于图论的，它把图像看作一个图，每个像素是一个节点，每个节点之间有一条边，边的权重表示像素之间的差异。然后，它用一种叫做最小生成树的算法，找出一些边，把图划分成若干个子图，每个子图就是一个super pixel。它首先把图像转换成一个图，每个像素是一个节点，每个节点之间有一条边，边的权重表示像素之间的差异。它用一个叫做内部差异的参数来衡量每个子图内部的一致性，用一个叫做最小差异的参数来衡量每个子图之间的区别。它用不同的颜色标记了不同的super pixel。
2023-04-15 11:54:25
581
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人