PUGCN复现细节

最新推荐文章于 2024-03-14 23:37:04 发布
最新推荐文章于 2024-03-14 23:37:04 发布
阅读量836 收藏 5
点赞数
分类专栏： tensorflow 文章标签： 深度学习 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/weixin_48993940/article/details/121177390
版权

数据集方面：下载预训练模型压缩包解压后，记得更改文件夹名称为：pretrain

训练阶段：1.更改路径   或者

                   2.将data/PU1K/train中的权重文件取出放在PU1K文件夹。

evaluation阶段：用realscan代码更改路径测试PU1K模型。

bash test_realscan.sh pretrain/pu1k-pugcn/  ./data/PU1K/test/input_2048/input_2048 0 --model pugcn --k 20

可视化阶段：下载vtk时用pip不用conda

江玦
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
ST-GCN复现的全过程（详细）
m0_56698268的博客
05-16 1万+
目录 提前工作 服务器 本机环境 数据集 运行逻辑 第一步 处理数据集 第二步训练网络 第三步 测试 总结的问题 提前工作 服务器 我其实复现了2次，第一次是用的3070，第二次尝试了并行超算云服务器，里面有8张 A100。两个都是采用了本机远程ssh连接服务器跑。（超算云服务器跑ST-GCN的一些配置可以之前写的博客：并行超算云直连SSH，Pycharm运行ST-GCN_Eric加油学！的博客-CSDN博客） 本机环境 第一次完整复现过程是在win的vscode上，p...
PU-GCN复现过程中的问题
weixin_50890461的博客
03-19 2360
PU-GCN复现过程中的问题 问题1、（在测试中遇到的问题GPU的使用） nvidia-smi查看GPU编号： 这里的GPU编号是：0 这里传入关于GPU的参数：0 CUDA_VISIBLE_DEVICES=${GPU}这里的意思是说GPU的编号是多少。选择自己有的GPU编号传入相应的参数，我这里GPU编号是0，传入参数0。 问题2、评估的时候出现的问题 需要修改代码中需要传入的参数：将原来的代码修改为如下 # test_realscan_allmodels.sh文件中的代码 bash test_r
PUGAN: Physical Model-Guided Underwater ImageEnhancement Using GAN With Dual-Discriminators（论文阅读）
qq_52850526的博客
09-03 368
在现有的UIE方法中，基于生成对抗网络(GANs)的方法在视觉美学方面表现良好，而基于物理模型的方法具有更好的场景适应性。一方面，我们设计了参数估计子网络(Par-subnet)来学习物理模型反演的参数，并将生成的颜色增强图像作为辅助信息用于两流交互增强子网络(TSIEsubnet)。同时，我们在tsie -子网中设计了一个退化量化(DQ)模块，对场景的退化进行量化，从而实现关键区域的增强。的方法在视觉美学方面表现良好，而基于物理模型的方法具有更好的场景适应性，结合两个方案的优势。：估计物理模型中的参数。
OPINIONDIGEST复现
07-27
OPINIONDIGEST复现
GCN
03-28
许可证系统
OpenCV 4.5.3 发布！优化DNN等多个模块～
3D视觉工坊
07-14 873
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达夏季更新OpenCV 4.5.3发布了！来看看4.5.3都有哪些重要改进：higui模块：增加对UI后端的支持。特殊编译的OpenCV...
记录PU-GCN复现过程
weixin_42386056的博客
09-01 4455
参考链接：GitHub - guochengqian/PU-GCN: PU-GCN: Point Cloud Upsampling using Graph Convolutional Networks (CVPR2021) 一、安装anaconda3 #cd ~/ #wget https://repo.anaconda.com/archive/Anaconda3-2019.07-Linux-x86_64.sh #bash Anaconda3-2019.07-Linux-x86_64.sh （官方教程
帕德伯恩大学轴承数据集（PU）介绍
热门推荐
m0_47180208的博客
06-27 2万+
PU数据集介绍一、帕德伯恩大学轴承数据集故障类别说明二、关于损伤描述2.1 损伤组合：2.2 重复和多重损伤的安排:2.3 几何尺寸2.4 损伤程度2.5损伤特征数据集损伤类别三、人为损坏轴承3.1 最常用的人为损伤制造方法是：3.2 本数据集使用的人工损坏是由三种不同方法引起的四、通过加速寿命试验产生真正的轴承损坏样本 一、帕德伯恩大学轴承数据集 数据集下载地址 从帕德伯恩大学获得的PU数据集是一个6203轴承数据集，包括人为诱发的和真实的损害。采用压电加速度计采集轴承座的振动信号，采样频率为64 kHz
故障诊断数据集研究
weixin_44749271的博客
11-20 2481
论文中的处理方法：取真实故障中的13类故障，每个mat文件中y方向的数据进行提取。一个文件的样子：N15_M07_F10_KA04_1.mat。
【点云系列】点云上采样
weixin_43882112的博客
07-17 6640
分享4篇点云上采样的文章： PU-Net -->MPU–>PU-GAN–>PU-GCN 核心思想：学习每个点的多层次特征，利用不同的卷积分支在特征空间中进行扩充，然后将扩充后的特征进行分解并重建为上采样点云集。 度量标准：分布均匀性和距下层表面的距离偏差； 网络架构： 1.补丁提取： 在物体表面随机选取M个点。从每个点出发，生成物体的一个表面块，在每个块中国内地点之间的距离都在一个集合距离d下。 然后使用Possion disk sampling为每个块随机生成N^\hat{N}N^个
transformer-使用Pytorch实现Transformer-项目源码-附完整复现细节.zip
01-19
transformer_使用Pytorch实现Transformer_项目源码_附完整复现细节
论文复现-深度补全算法
03-10
1、传统深度不全算法复现 2、详细内容可见：https://blog.csdn.net/qq_43627520/article/details/123344654?spm=1001.2014.3001.5502 3、复现代码可直接运行、包含有测试用例、以及验证代码
使用numpy复现贝叶斯网络
10-16
适合学习机器学习算法入门 学习numpy开发机器学习算法
复现PU-Net利用深度学习对点云做上采样，可以补一些小孔洞
hbbdafamingjia的博客
03-27 3280
利用深度学习，对点云做上采样
关于GCN的讲解视频
CaptureItTechnology的博客
07-17 1085
https://www.iqiyi.com/v_19rsbnebio.html
pearlCTF——少部分WP
最新发布
m0_74559567的博客
03-14 1021
使用脚本进行获取白名单，通过迭代字符集，尝试发送每个字符，如果返回的结果不是 “Sorry no valid output to show.”，则将该字符添加到白名单中。我尝试访问他的网络，但为此，我需要他的 wifi 密码。变成斜体的想法还有win系统自带的字体，可以下载斜体的字体导入进去，应该还是会有很多办法的，还请各位师傅们多多交流。字符全删掉，滑动进度条查看有没有特别的地方，pycharm的替换快捷键是。，猜测大概是转换为0和1二进制了，00 --> 0，7F --> 1。
GCN实验复现（一）acaconda下配置tensorflow环境
weixin_70759973的博客
07-29 97
python -V。
【转载】细嚼慢咽读论文：点云上采样GAN的实践——PU-GAN
xiaoyaolangwj的博客
07-28 1630
论文标题：PU-GAN: a Point Cloud Upsampling Adversarial Network 标签：有监督 | 点云上采样 首先我们来分析一下文章题目：PU-GAN: a Point Cloud Upsampling Adversarial Network PU即Point Upsampling，也就是本文要做的任务是点云上采样。关于点云上采样的介绍，我在介绍PU-Net的这篇文章中介绍过，可参考： 刘昕宸：细嚼慢咽读论文：点云上采样网络开天辟地PU-Net​zhuan
复现pointrcnn
12-08
Pointrcnn是一种用于三维目标检测的深度学习算法，可以在点云数据上实现对目标的检测和定位。下面是一个关于如何复现Pointrcnn的简要步骤： 首先，需要准备点云数据集以及对应的目标标签。可以使用公开的点云数据集，如KITTI、SUN RGB-D等，并使用相应的标注工具对目标进行标注。 然后，搭建Pointrcnn的网络架构。Pointrcnn网络主要由三个模块组成：PointNet，RPN和RCNN。 PointNet用于提取点云的局部特征，RPN用于生成候选框，RCNN作为分类器和回归器。可以根据论文中的网络结构图来搭建这些模块，并使用TensorFlow或PyTorch等深度学习框架进行实现。 接下来，训练网络模型。将点云数据输入模型进行训练，使用交叉熵损失函数和平滑的L1损失函数对模型进行优化。此外，可以采用数据增强技术来增加训练集的多样性，如旋转、平移、缩放等。 在训练过程中，可以使用GPU加速计算以提高训练速度，同时监控网络的训练损失和精度，以便及时调整超参数。 最后，对测试集进行测试和评估。使用训练好的模型对测试集中的点云数据进行目标检测和定位，并根据预测结果和真实标签进行评估，如计算精确度、召回率和平均准确度等指标。 总结来说，复现Pointrcnn需要准备点云数据集和目标标签，搭建网络架构，训练网络模型，并对测试集进行测试和评估。这只是一个简要的概述，实际的复现过程可能还涉及一些细节和调整。

“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