![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
神经网络
文章平均质量分 90
普通网友
这个作者很懒,什么都没留下…
展开
-
MaskRCNN网络结构
MaskRCNN网络结构MaskRCNN作为FasterRCNN的扩展,产生RoI的RPN网络和FasterRCNN网络。结构:ResNet101+FPN代码:TensorFlow+ Keras(Python)代码中将Resnet101网络,分成5个stage,记为[C1,C2,C3,C4,C5];这里的5个阶段分别对应着5中不同尺度的feature map输出,用来建立FPN网络的特征金字塔(feature pyramid).先通过两张MaskRCNN整体网络结构图,再附带一张绘制了stage1原创 2021-08-25 06:16:20 · 2138 阅读 · 0 评论 -
Yolov3网络架构分析
Yolov3网络架构分析上图三个蓝色方框内表示Yolov3的三个基本组件: CBL:Yolov3网络结构中的最小组件,由Conv+Bn+Leaky_relu激活函数三者组成。 Res unit:借鉴Resnet网络中的残差结构,让网络可以构建的更深。 ResX:由一个CBL和X个残差组件构成,是Yolov3中的大组件。每个Res模块前面的CBL都起到下采样的作用,因此经过5次Res模块后,得到的特征图是608->304->152->76->38->19大小。其原创 2021-08-04 12:17:21 · 2488 阅读 · 1 评论 -
稀疏矩阵理论与实践
稀疏矩阵理论与实践1.稀疏矩阵的优化 多线程。使用openmp或者mpi numanode awareness 特性。把稀疏矩阵的存储均匀地分配到两颗处理器各自的本地内存中,最大程度的利用内存带宽 利用硬件cache特性,对矩阵进行分块或矩阵的循环进行限制 利用pipeline,多流水线并行处理 自适应分块存储结构。由于稀疏矩阵的非零元分布不一定均匀,有的分块会非常稀疏,有的则会相对稠密。对于极稀疏的分块(非零元数量远小于行数),如果用和CSR相似的压缩行存储策略,则会浪费空间,所以用原创 2021-07-24 06:52:06 · 384 阅读 · 0 评论 -
3D卷积,代码实现
3D卷积,代码实现三维卷积:理解+用例-发现在图像卷积神经网络内核中,包含3D卷积及其在3D MNIST数据集上的实现。什么是卷积?从数学上讲,卷积是一种积分函数,表示一个函数g在另一个函数f上移动时的重叠量。直觉地说,卷积就像一个混合器,将一个函数与另一个函数混合在一起,在保留信息的同时,减少数据空间。在神经网络和深度学习方面:卷积是具有可训练参数的滤波器(矩阵/向量),用于从输入数据中提取低维特征。具有保留输入数据点之间的空间或位置关系的特性。卷积神经网络增强相邻层神经元之间的局部连接原创 2021-07-14 06:13:28 · 1983 阅读 · 0 评论 -
Yolov3&Yolov4网络结构与源码分析
Yolov3&Yolov4网络结构与源码分析从2018年Yolov3年提出的两年后,在原作者声名放弃更新Yolo算法后,俄罗斯的Alexey大神扛起了Yolov4的大旗。文章目录论文汇总Yolov3核心基础内容2.1 网络结构可视化2.2 网络结构图2.3 核心基础内容Yolov3相关代码3.1 python代码3.2 C++代码内容3.3 python版本的Tensorrt代码3.4 C++版本的Tensorrt代码Yolov4核心基础内容4.1 网原创 2020-10-20 13:26:32 · 1091 阅读 · 4 评论 -
Yolov4性能分析(下)
Yolov4性能分析(下)六. 权重更新“darknet/src/detector.c”–train_detector()函数中: ...... /* 开始训练网络 */ float loss= 0;#ifdef GPU if (ngpus== 1) { intwait_key = (dont_show) ? 0 : 1; loss =train_network_waitkey(net, train, wait_key原创 2020-10-20 12:13:33 · 643 阅读 · 0 评论 -
Yolov4性能分析(上)
Yolov4性能分析(上)一.目录实验测试1) 测试介绍2) Test3) Train二.分析1.实验测试1实验测试方法Yolov4训练train实验方法(Darknet should becompiled with OpenCV):duration_run_detector:./darknet detector train cfg/coco.datacfg/yolov4.cfg data/yolov4.conv.137Yolov4测试test实验方法(Yolo原创 2020-10-20 12:07:11 · 2312 阅读 · 0 评论 -
基于自动驾驶车辆的NVIDIA-TensorRT推理实时优化
基于自动驾驶车辆的NVIDIA-TensorRT推理实时优化Optimizing NVIDIA TensorRT Conversion for Real-time Inference on Autonomous Vehicles自动驾驶系统使用各种神经网络模型,这些模型需要在gpu上进行非常精确和高效的计算。Zoox是一家全新开发robotaxis的初创公司,利用NVIDIA DRIVE的高性能、节能计算。最近,Zoox在旧金山发布了一个小时的完全自主的游戏,详细展示了他们的人工智能堆栈。与Tens原创 2020-08-22 13:35:41 · 407 阅读 · 0 评论 -
利用NVIDIA NGC的TensorRT容器优化和加速人工智能推理
利用NVIDIA NGC的TensorRT容器优化和加速人工智能推理Optimizing and Accelerating AI Inference with the TensorRT Container from NVIDIA NGC自然语言处理(NLP)是人工智能最具挑战性的任务之一,因为它需要理解上下文、语音和重音来将人类语音转换为文本。构建这个人工智能工作流首先要训练一个能够理解和处理口语到文本的模型。BERT是这项任务的最佳模型之一。您不必从头开始构建像BERT这样的最先进的模型,而是可以针原创 2020-08-22 11:49:40 · 1110 阅读 · 0 评论 -
Json文件解析(下
Json文件解析(下)代码地址:https://github.com/nlohmann/json从STL容器转换任何序列容器(std::array,std::vector,std::deque,std::forward_list,std::list),其值可以被用于构建JSON值(例如,整数,浮点数,布尔值,字符串类型,或者再次在本节中描述STL容器)可被用于创建JSON阵列。这同样适用于类似的关联容器(std::set,std::multiset,std::unordered_set,std::un原创 2020-07-14 19:04:14 · 888 阅读 · 3 评论 -
Json文件解析(上)
Json文件解析(上)代码地址:https://github.com/nlohmann/json自述文件alt=GitHub赞助商data-canonical-src=“https://img.shields.io/badge/GitHub-Sponsors-ff69b4”v:shapes="_x0000_i1025">设计目标赞助商积分CMake的包装经理包配置例子JSON作为一流的数据类型序列化/反序列化类似STL的访问从STL容器转换JSON指针和JSON补丁原创 2020-07-14 18:55:34 · 618 阅读 · 0 评论 -
处理器解决物联网和人工智能的融合
处理器解决物联网和人工智能的融合Processors address convergence of IoT and AI微处理器(MPU)和微控制器(MCU)制造商继续通过关注超低功耗、更快的系统性能和增强安全性(包括主动篡改检测和安全固件安装)来解决日益增长的物联网应用。这些芯片需要处理来自越来越多传感器的大量数据,同时消耗低功耗。为了降低功耗,芯片制造商正在使用诸如自适应电压缩放、功率选通和多种低功耗操作模式等技术。据市场研究公司Statista预测,到2025年,全球物联网设备市场将从2018年原创 2020-07-08 16:14:34 · 388 阅读 · 0 评论 -
用小神经网络和光谱仪优化关键词识别
用小神经网络和光谱仪优化关键词识别Optimizing keyword spotting with small neural networks and spectrographs随着由语音命令控制的智能设备的激增,一种被称为关键字识别的自然语言处理技术正在获得越来越多的关注。来自亚马逊、谷歌、苹果和其公司的语音助理可以对“热门词”后面的短语做出回应,比如“嘿,谷歌”或“嘿,Siri”,而且似乎几乎立即做出回应。事实上,响应延迟只有几分之一秒,这在智能扬声器设备中是可以接受的。一个小装置怎么会这么聪明原创 2020-07-08 13:39:08 · 262 阅读 · 0 评论 -
KITTI数据集上MaskRCNN检测效果示例
KITTI数据集上MaskRCNN检测效果示例在Semantic Instance Segmentation Evaluation中,MaskRCNN性能效果排名第一。Test Image 0Input ImagePreditionTest Image 1Input ImagePreditionTest Image 2Input ImagePreditionTest Image 3Input ImagePreditionTest Image 4Input I原创 2020-07-03 14:09:06 · 1033 阅读 · 3 评论 -
深度因式分解机
深度因式分解机Deep Factorization Machines学习有效的特征组合对于点击率预测任务的成功至关重要。因子分解机以线性范式对特征交互进行建模(例如,双线性交互)。对于实际数据来说,这通常是不够的,因为在实际数据中,固有特征交叉结构通常非常复杂和非线性。更糟糕的是,二阶特征交互在实际的分解机中通常被使用。从理论上讲,用因子分解机对高阶特征组合进行建模是可行的,但由于数值不稳定和计算复杂度高,通常不采用这种方法。一个有效的解决方案是使用深度神经网络。深度神经网络在特征表示学习方面具有强大原创 2020-07-02 15:50:51 · 506 阅读 · 0 评论 -
因子分解机
因子分解机Factorization Machines因子分解机(FM)[Rendle,2010]由Steffen Rendle于2010年提出,是一种可用于分类、回归和排序任务的监督算法。它很快就引起了人们的注意,并成为一种流行而有影响力的预测和推荐方法。特别地,它是线性回归模型和矩阵分解模型的推广。此外,它让人想起具有多项式核的支持向量机。与线性回归和矩阵分解相比,因式分解机的优势在于:(1)它可以建模X-变量交互作用,其中X是多项式阶数,通常设为2。(2) 与因子分解机相结合的快速优化算法可以将多原创 2020-07-02 14:54:42 · 319 阅读 · 0 评论 -
功能丰富的推荐系统
功能丰富的推荐系统Feature-Rich Recommender Systems交互数据是用户偏好和兴趣的最基本指示。在以前引入的模型中起着至关重要的作用。然而,交互数据通常非常稀疏,有时可能会有噪声。为了解决这个问题,可以在推荐模型中集成一些附加信息,比如条目的特性、用户的概要信息,甚至是交互发生的上下文。利用这些特性有助于提出建议,因为这些特性可以有效地预测用户的兴趣,特别是在缺少交互数据的情况下。因此,推荐模型也必须具备处理这些特性的能力,并赋予模型一些内容/上下文感知能力。为了演示这种类型的推原创 2020-07-02 14:05:03 · 158 阅读 · 0 评论 -
序列感知推荐系统
序列感知推荐系统Sequence-Aware Recommender Systems在前面的章节中,我们将推荐任务抽象为一个矩阵完成问题,而不考虑用户的短期行为。在本节中,我们将介绍一个推荐模型,该模型考虑按顺序排列的用户交互日志。它是一种序列感知的推荐程序[Quadrana et al.,2018],其中的输入是过去用户操作的有序且通常带有时间戳的列表。最近的一些文献已经证明了在建模用户的时间行为模式和发现他们的兴趣漂移时结合这些信息的有用性。我们将介绍的模型,Caser[Tang&Wang原创 2020-07-02 12:53:56 · 838 阅读 · 0 评论 -
个性化排序的神经协同过滤
个性化排序的神经协同过滤Neural Collaborative Filtering for Personalized Ranking这一部分将超越显式反馈,介绍神经协作过滤(NCF)框架,用于推荐具有隐式反馈。隐式反馈在推荐系统中普遍存在。诸如点击、购买和观看等行为都是常见的隐性反馈,这些反馈很容易收集并指示用户的偏好。我们将介绍的模型名为NeuMF[He et al.,2017b],是神经矩阵分解的缩写,旨在解决带有隐式反馈的个性化排名任务。该模型利用神经网络的灵活性和非线性,代替矩阵分解的点积,提原创 2020-07-02 11:17:50 · 325 阅读 · 0 评论 -
CVPR2020:点云分类的自动放大框架PointAugment
CVPR2020:点云分类的自动放大框架PointAugmentPointAugment: An Auto-Augmentation Framework for Point Cloud Classification论文地址:https://openaccess.thecvf.com/content_CVPR_2020/html/Li_PointAugment_An_Auto-Augmentation_Framework_for_Point_Cloud_Classification_CVPR_2020_原创 2020-07-02 09:24:53 · 550 阅读 · 0 评论 -
推荐系统的个性化排名
推荐系统的个性化排名Personalized Ranking for Recommender Systems在前几节中,只考虑了明确的反馈,并根据观察到的评分对模型进行了训练和测试。这种方法有两个缺点:第一,大多数反馈不是显式的,而是在实际场景中隐含的,并且显式反馈的收集成本可能更高。第二,完全忽略了可以预测用户兴趣的未观察到的用户项对,使得这些方法不适用于由于用户偏好而不是随机缺失评级的情况。未观察到的用户项对是真实的负反馈(用户对项目不感兴趣)和缺失值(用户将来可能与项目交互)的混合体。简单地忽略了原创 2020-07-02 08:25:08 · 481 阅读 · 0 评论 -
CVPR2020:Grid-GCN用于快速和可扩展的点云学习
CVPR2020:Grid-GCN用于快速和可扩展的点云学习Grid-GCN for Fast and Scalable Point Cloud Learning论文地址:https://openaccess.thecvf.com/content_CVPR_2020/html/Xu_Grid-GCN_for_Fast_and_Scalable_Point_Cloud_Learning_CVPR_2020_paper.html代码地址:https://github.com/xharlie/Grid-G原创 2020-07-02 07:45:30 · 1061 阅读 · 1 评论 -
自动编码器的评级预测
自动编码器的评级预测AutoRec: Rating Prediction with Autoencoders虽然矩阵分解模型在评级预测任务上取得了不错的效果,但本质上是一个线性模型。因此,这样的模型不能捕捉复杂的非线性和复杂的关系,这些关系可以预测用户的偏好。在本文中,介绍了一个非线性神经网络协同过滤模型AutoRec[Sedhain et al.,2015]。将协同过滤(CF)与自动编码器架构相结合,并在显式反馈的基础上将非线性转换整合到CF中。神经网络具有逼近任意连续函数的能力,适合于解决矩阵分解的原创 2020-07-02 06:12:34 · 592 阅读 · 0 评论 -
矩阵分解
矩阵分解Matrix Factorization矩阵因子分解[Koren等人,2009]是推荐系统文献中一个成熟的算法。矩阵分解模型的第一个版本是由simonfunk在一篇著名的博客文章中提出的,在文章中描述了将交互矩阵分解的思想。后来由于2006年举行的Netflix竞赛而广为人知。当时,流媒体和视频租赁公司Netflix宣布举办一场竞赛,以提高推荐系统的性能。在Netflix基线(即Cinematch)基础上提高10%的最佳团队将获得100万美元奖金。正因如此,本次大赛引起了推荐系统研究领域的广泛关原创 2020-07-01 19:21:49 · 387 阅读 · 0 评论 -
CVPR2020:基于自适应采样的非局部神经网络鲁棒点云处理(PointASNL)
CVPR2020:基于自适应采样的非局部神经网络鲁棒点云处理(PointASNL)PointASNL: Robust Point Clouds Processing Using Nonlocal Neural Networks With Adaptive Sampling论文地址:https://openaccess.thecvf.com/content_CVPR_2020/html/Yan_PointASNL_Robust_Point_Clouds_Processing_Using_Nonlocal原创 2020-07-01 18:15:11 · 1454 阅读 · 1 评论 -
深度卷积生成对抗网络
深度卷积生成对抗网络Deep Convolutional Generative Adversarial NetworksGANs如何工作的基本思想。可以从一些简单的,易于抽样的分布,如均匀分布或正态分布中提取样本,并将其转换成与某些数据集的分布相匹配的样本。虽然例子匹配一个二维高斯分布得到了交叉点,不是特别令人兴奋。将演示如何使用GANs生成照片级真实感图像。将以深卷积GAN(DCGAN)为基础建立模型。将借用卷积体系结构,已经被证明在区分计算机视觉问题上是如此成功,并展示如何通过GANs来利用来生成原创 2020-07-01 10:52:44 · 641 阅读 · 0 评论 -
生成性对抗网络技术实现
生成性对抗网络技术实现Generative Adversarial Networks以某种形式,使用深度神经网络学习从数据点到标签的映射。这种学习被称为区别性学习,因为希望能够区分猫和狗的照片。量词和回归词都是区别学习的例子。而由反向传播训练的神经网络颠覆了认为在大型复杂数据集上进行区分学习的一切。在仅仅5-6年的时间里,高分辨率图像的分类精度已经从无用的提高到了人类的水平(有一些警告)。将为提供另一个关于所有其区分性任务的细节,在这些任务中,深层神经网络做得非常好。但是机器学习不仅仅是解决有区别的任原创 2020-07-01 09:43:27 · 613 阅读 · 0 评论 -
基于区域的CNN(R-CNN)
基于区域的CNN(R-CNN)Region-based CNNs (R-CNNs)基于区域的卷积神经网络或具有CNN特征的区域(R-CNN)是一种将深度模型应用于目标检测的开创性方法。在本节中,将讨论R-CNN及其一系列改进:Fast R-CNN[Girshick,2015]、Faster R-CNN和MaskR-CNN。由于篇幅的限制,将把讨论局限于这些模型的设计上。R-CNNsR-CNN模型首先从一幅图像中选择几个建议的区域(例如,锚框是一种选择方法),然后标记类别和边界框(例如偏移量)。原创 2020-06-30 19:18:03 · 690 阅读 · 1 评论 -
基于Kaggle的图像分类(CIFAR-10)
基于Kaggle的图像分类(CIFAR-10)Image Classification (CIFAR-10) on Kaggle一直在使用Gluon’s data package数据包直接获得张量格式的图像数据集。然而,在实际应用中,图像数据集往往以图像文件的形式存在。将从原始图像文件开始,逐步组织、读取并将文件转换为张量格式。对CIFAR-10数据集进行了一个实验。这是计算机视觉领域的一个重要数据集。现在,将应用前面几节中所学的知识来参加Kaggle竞赛,该竞赛解决CIFAR-10图像分类问题。比赛原创 2020-06-30 17:51:10 · 955 阅读 · 0 评论 -
Anchor Boxes示例实战
Anchor Boxes示例实战目标检测算法通常对输入图像中的大量区域进行采样,判断这些区域是否包含感兴趣的目标,并调整这些区域的边缘,以便更准确地预测目标的真实边界框。不同的模型可能使用不同的区域采样方法。在这里,我们介绍一种这样的方法:它生成多个大小和纵横比不同的边框,同时以每个像素为中心。这些边界框称为锚框。我们将练习基于锚盒的对象检测。首先,导入此部分所需的包或模块。在这里,我们修改了NumPy的打印精度。因为打印张量实际上调用了NumPy的print函数,所以本节打印的张量中的浮点数更简洁。原创 2020-06-30 13:03:28 · 370 阅读 · 0 评论 -
全卷积网络Fully Convolutional Networks (FCN)实战
全卷积网络Fully Convolutional Networks (FCN)实战使用图像中的每个像素进行类别预测的语义分割。全卷积网络(FCN)使用卷积神经网络将图像像素转换为像素类别。与之前介绍的卷积神经网络不同,FCN通过转置卷积层将中间层特征映射的高度和宽度转换回输入图像的大小,使得预测结果在空间维度(高度和宽度)与输入图像一一对应。给定空间维度上的位置,信道维度的输出将是对应于该位置的像素的类别预测。将首先导入实验所需的包或模块,然后解释转置卷积层。%matplotlib inlinefr原创 2020-06-30 11:09:48 · 1678 阅读 · 0 评论 -
目标检测数据集The Object Detection Dataset
目标检测数据集The Object Detection Dataset在目标检测领域,没有像MNIST或Fashion MNIST这样的小数据集。为了快速测试模型,我们将组装一个小数据集。首先,我们使用一个开源的3D Pikachu模型生成1000张不同角度和大小的Pikachu图像。然后,我们收集一系列背景图像,并在每个图像上随机放置一个Pikachu图像。我们使用MXNet提供的im2rec工具将图像转换为二进制RecordIO格式[1]。这种格式可以减少数据集在磁盘上的存储开销,提高读取效率。如果您原创 2020-06-30 10:27:33 · 1678 阅读 · 0 评论 -
多尺度目标检测 Multiscale Object Detection
多尺度目标检测 Multiscale Object Detection我们在输入图像的每个像素上生成多个锚框。这些定位框用于对输入图像的不同区域进行采样。但是,如果锚定框是以图像的每个像素为中心生成的,很快就会有太多的锚框供我们计算。例如,我们假设输入图像的高度和宽度分别为561和728像素。如果以每个像素为中心生成五个不同形状的锚框,则超过两百万个锚框(561×728×5)需要在图像上进行预测和标记。减少锚箱数量并不困难。一种简单的方法是对输入图像中的一小部分像素进行均匀采样,并生成以采样像素为中心的原创 2020-06-30 10:01:50 · 5263 阅读 · 2 评论 -
Fine-Tuning微调原理
Fine-Tuning微调原理如何在只有60000张图片的Fashion-MNIST训练数据集中训练模型。ImageNet,这是学术界使用最广泛的大型图像数据集,它拥有1000多万幅图像和1000多个类别的对象。然而,我们经常处理的数据集的大小通常比第一个大,但比第二个小。假设我们想在图像中识别不同种类的椅子,然后将购买链接推给用户。一种可行的方法是先找到一百张常见的椅子,每把椅子取一千张不同角度的图像,然后在采集到的图像数据集上训练分类模型。虽然这个数据集可能比时尚MNIST大,但是示例的数量仍然不到原创 2020-06-30 09:04:19 · 734 阅读 · 0 评论 -
转置卷积Transposed Convolution
转置卷积Transposed Convolution我们为卷积神经网络引入的层,包括卷积层和池层,通常会减小输入的宽度和高度,或者保持不变。然而,语义分割和生成对抗网络等应用程序需要预测每个像素的值,因此需要增加输入宽度和高度。转置卷积,也称为分步卷积或反卷积,就是为了达到这一目的。from mxnet import np, npx, initfrom mxnet.gluon import nnfrom d2l import mxnet as d2lnpx.set_np()Basic 2D T原创 2020-06-30 08:18:32 · 509 阅读 · 0 评论 -
深度学习Anchor Boxes原理与实战技术
深度学习Anchor Boxes原理与实战技术目标检测算法通常对输入图像中的大量区域进行采样,判断这些区域是否包含感兴趣的目标,并调整这些区域的边缘,以便更准确地预测目标的地面真实边界框。不同的模型可能使用不同的区域采样方法。在这里,我们介绍一种这样的方法:它生成多个大小和纵横比不同的边框,同时以每个像素为中心。这些边界框称为锚框。我们将在下面几节中练习基于锚盒的对象检测。首先,导入本文所需的包或模块。在这里,我们修改了NumPy的打印精度。因为打印张量实际上调用了NumPy的print函数,所以本文打原创 2020-06-29 19:14:34 · 633 阅读 · 0 评论 -
CVPR2020:4D点云语义分割网络(SpSequenceNet)
CVPR2020:4D点云语义分割网络(SpSequenceNet)SpSequenceNet: Semantic Segmentation Network on 4D Point Clouds论文地址:https://openaccess.thecvf.com/content_CVPR_2020/papers/Shi_SpSequenceNet_Semantic_Segmentation_Network_on_4D_Point_Clouds_CVPR_2020_paper.pdf摘要点云在许多应原创 2020-06-29 18:01:45 · 1480 阅读 · 1 评论 -
CVPR2020:利用图像投票增强点云中的三维目标检测(ImVoteNet)
CVPR2020:利用图像投票增强点云中的三维目标检测(ImVoteNet)ImVoteNet: Boosting 3D Object Detection in Point Clouds With Image Votes论文地址:https://openaccess.thecvf.com/content_CVPR_2020/papers/Qi_ImVoteNet_Boosting_3D_Object_Detection_in_Point_Clouds_With_Image_CVPR_2020_pape原创 2020-06-29 15:42:53 · 1313 阅读 · 0 评论 -
CVPR2020:点云弱监督三维语义分割的多路径区域挖掘
CVPR2020:点云弱监督三维语义分割的多路径区域挖掘Multi-Path Region Mining for Weakly Supervised 3D Semantic Segmentation on Point Clouds论文地址:https://openaccess.thecvf.com/content_CVPR_2020/papers/Wei_Multi-Path_Region_Mining_for_Weakly_Supervised_3D_Semantic_Segmentation_on原创 2020-06-29 14:00:47 · 5698 阅读 · 1 评论 -
CVPR2020:基于层次折叠的跳跃式注意网络点云完成
CVPR2020:基于层次折叠的跳跃式注意网络点云完成Point Cloud Completion by Skip-Attention Network With Hierarchical Folding论文地址:https://openaccess.thecvf.com/content_CVPR_2020/papers/Wen_Point_Cloud_Completion_by_Skip-Attention_Network_With_Hierarchical_Folding_CVPR_2020_pap原创 2020-06-29 13:04:53 · 1029 阅读 · 0 评论