稀疏卷积—Submanifold Sparse Convolutional Networks

最新推荐文章于 2025-04-07 19:29:03 发布
最新推荐文章于 2025-04-07 19:29:03 发布
阅读量483 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： 自动驾驶 深度学习
原文链接：https://blog.youkuaiyun.com/u013066730/article/details/108512125

稀疏卷积—Submanifold Sparse Convolutional Networks

转自链接:https://blog.youkuaiyun.com/u013066730/article/details/108512125

Code_YGP
关注
【图像超分】论文精读：Image Super-Resolution Using Deep Convolutional Networks（SRCNN）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
03-11 1万+
我们提出了一种用于单幅图像超分辨率(SR)的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端到端映射。该映射被表示为深度卷积神经网络(CNN)，它以低分辨率图像为输入，输出高分辨率图像。我们进一步表明，传统的基于稀疏编码的 SR 方法也可以被视为深度卷积网络。但是与单独处理每个组件的传统方法不同，我们的方法联合优化所有层。我们的深度 CNN 具有轻量级结构，但展示了最先进的恢复质量，并实现了实际在线使用的快速速度。我们探索了不同的网络结构和参数设置，以实现性能和速度之间的权衡。此外，我们扩展了我们的
3D Semantic Segmentation with Submanifold Sparse Convolutional Networks
07-04
Convolutional networks are the de-facto standard for analyzing spatio-temporal data such as images, videos, and 3D shapes. Whilst some of this data is naturally dense (e.g., photos), many other data sources are inherently sparse. Examples include 3D point clouds that were obtained using a LiDAR scanner or RGB-D camera. Standard “dense” implementations of convolutional networks are very inefficient when applied on such sparse data. We introduce new sparse convolutional operations that are designed to process spatially-sparse data more efficiently, and use them to develop spatially-sparse convolutional networks. We demonstrate the strong performance of the resulting models, called submanifold sparse convolutional networks (SSCNs), on two tasks involving semantic segmentation of 3D point clouds. In particular, our models outperform all prior state-of-the-art on the test set of a recent semantic segmentation competition
稀疏卷积Submanifold Sparse Convolutional Networks
weixin_43823175的博客
05-06 3792
稀疏卷积Submanifold Sparse Convolutional Networks 论文 Submanifold Sparse Convolutional Networks 论文地址：https://arxiv.org/pdf/1706.01307.pdf 本文提出了稀疏卷积，介绍了具体的做法，后续很多三维点云语义分割/目标识别都沿用了这种做法 参考：https://blog.youkuaiyun.com/u013066730/article/details/108512125论文的解释 https://zhu
关于稀疏卷积
最新发布
qq_45670407的博客
04-07 664
关于深度学习中的稀疏卷积
稀疏卷积 Sparse Convolution Net
热门推荐
AI人工智能的海洋
03-04 2万+
概述 这是一篇对稀疏卷积讲述非常全面的文章，理解起来毫不费事。这里要和SPConv相区别，这是两个完全不同的东西。SPConv是为了解决普通33卷积算子参数冗余而设计的，一种“即插即用”计算单元，可以随时随地替换普通33卷积算子，可以用来提高模型推理速度吧。跟剪枝算法差不多。 下面要讲述的是稀疏卷积Sparse Convolution Net，转载自https://zhuanlan.zhihu.com/p/383299678，写的十分详细。通俗易懂，方便读者理解。 简介 ​ 稀疏卷积常用于3D项目（如3D
sparse conv稀疏卷积
zxyOVO的博客
04-08 8125
"""Args:"""self.features = features # 储存密集的featureself.indices = indices # 储存每个feature对应的voxel坐标系下的坐标self.spatial_shape = spatial_shape #存储voxel的最大边界self.batch_size = batch_size # 储存batch sizeself.indice_dict = {} # 储存坐标之间的对应关系...参数。
稀疏卷积计算
liang_shuaige的博客
01-16 781
稀疏卷积计算 gemm
【三维深度学习】Sparse Convolutional Network 基于稀疏采样不变性的深度稠密重建
TomRen
08-02 1万+
【稀疏采样稠密重建】利用稀疏卷积，从稀疏不规则数据中重建出稠密准确的深度信息。SparseConvNet
Adaptive Sparse Convolutional Networks withGlobal Context Enhancement for Faster ObjectDetection o
weixin_43238909的博客
03-19 956
然而，它存在着对微小物体的上下文信息的不充分整合，以及在存在不同尺度的前景时对遮罩比率的笨拙控制的问题。）层，将基于稀疏采样特征的统计数据替换为全局上下文特征，然后设计了一种自适应多层掩蔽策略，以在不同尺度上生成最优掩蔽比，实现紧凑的前景覆盖，提高了准确性和效率。然而，由于航空图像的前景表现出严重的波动，固定比率容易导致计算的显著增加或由于前景区域的覆盖不足而导致精度的降低。）集成，在无人机图像的两个主要公共基准上广泛评估了所提出的方法，在保持有竞争力的准确性的同时，显著降低了其计算成本。
[读书笔记] Interleaved Structured Sparse Convolutional Neural Networks读书笔记
weixin_42040743的博客
08-14 1590
基于交错组卷积的高效深度神经网络（IGC V2） 论文地址：https://arxiv.org/pdf/1804.06202.pdf 目的 利用消除卷积核冗余的方法构建有效的卷积神经网络 #...
四、卷积神经网路 (Convolutional networks (CNN))
joymakleson的博客
08-24 875
卷积神经网路1、卷积操作 简单来说，卷积神经网路是神经网路至少有一层的矩阵乘操作替换卷积操作（convolution）。 1、卷积操作 卷积操作常见表示形式是两个实值函数之间的操作。下面以一个简单的问题解释卷积操作。 假设我们使用激光传感器来追踪一个飞船的位置，由此得到飞船位置关于时间的函数 x(t)x(t)x(t)。并且传感器工作在有噪声的环境里，为了降低噪声的影响，我们将采取加权平均来给予最近测量更大的权重。假设权重函数为 w(a)w(a)w(a)，其中 aaa 是测量发生的时间。我们得到以下公式来预测
spconv:PyTorch中的空间稀疏卷积
05-01
SpConv：PyTorch空间稀疏卷积库 这是一个空间稀疏的卷积库，例如但速度更快且易于阅读。 该库提供稀疏卷积/转置，子流形卷积，逆卷积和稀疏maxpool。 2020-5-2，我们在此版本的spconv中添加了ConcatTable，JoinTable，AddTable和Identity函数，以构建ResNet和Unet。 码头工人： docker pull scrin/dev-spconv ，包含python 3.8，cuda 10.1，鱼壳，最新的pytorch和tensorflow。 在Ubuntu 16.04 / 18.04上安装 如果您使用的是pytorch 1.4+，并且遇到“ nvcc致命：未知-Wall”，则需要转到割炬软件包目录并在Caffe2Targets.cmake的INTERFACE_COMPILE_OPTIONS中删除包含“ -Wall”的标志。 此项
稀疏矩阵卷积：稀疏矩阵的卷积-matlab开发
05-30
与 CONV2 相同，但适用于稀疏矩阵
Python-用于训练Submanifold稀疏卷积网络的TorchPyTorch库
08-11
用于训练Submanifold稀疏卷积网络的Torch/PyTorch库
Submanifold Sparse Convolutional Networks
W1995S的博客
02-04 555
摘要 卷积处理的数据（比如图片）一般都是很dense的，但是有些数据是sparse的（比如点云数据，在纸上形成的笔画）。在这些稀疏数据上直接用dense的卷积网络是非常没有效率的。本文引入了一种稀疏卷积运算，该运算针对处理稀疏数据而定制，与之前的稀疏卷积网络的工作不同，它严格地在子流形上运行，而不是将观测扩展到网络的每一层。 （总之就是一个很适合处理稀疏数据的卷积） https://zhuanlan.zhihu.com/p/97367489 https://blog.youkuaiyun.com/weixin_4080
稀疏卷积Sparse Convolution
人无远虑，必有近忧
02-28 2524
使用以下稀疏图像作为输入如图所示，我们有一个5×5的3通道图像。除了P1和P2两点外，所有像素都是空，我们称像P1和P2这样的非空点为active input site。在稀疏格式中，数据列表是[[0.1,0.1,0.1], [0.2,0.2,0.2] ，索引列表是[1,2] ，[2,3] ，并且是YX顺序。在卷积过程中卷积核如下定义，每个卷积核是一个3x3矩阵。深色和浅色代表两种滤镜。有两种稀疏卷积。
稀疏卷积 sparse conv
hxxjxw的博客
05-28 6220
如果某个卷积的任意输入神经元与任意输出神经元均存在连接，那么这类卷积称之为常规卷积(非稀疏卷积)； 反之，如果存在输入神经元与输入神经炎之间无连接，那么这类卷积称之为稀疏卷积。比如组卷积就是稀疏卷积的一种。 ...
【3D目标检测】稀疏卷积
AI知识搬运工
07-19 2507
稀疏卷积是对无论是2D卷积还是3D卷积进行加速运算的一种方式，其中由于3D点云的稀疏性比较大，加速将更为明显。 举例子之前的定义 为了逐步解释稀疏卷积的概念，使其更易于理解，本文以二维稀疏图像处理为例。由于稀疏信号采用数据列表和索引列表表示，二维和三维稀疏信号没有本质区别。 1. 输入定义 使用以下稀疏图像作为输入 如图所示，我们有一个5 × 5的3通道图像。除了 P1和 P2两点外，所有像素都是(0,0,0) （虽然0这个假设也很不严谨）。根据文献[1] ，P1和 P2，这种非零元素也称为a
稀疏卷积【1】Submanifold Sparse Convolutional Networks
weixin_38087692的博客
07-18 7724
学习submanifold sparse convolutional networks是因为在看3D点云目标检测文章时遇到了问题，在3D点云目标检测问题中，相关算法如PVrcnn，pointnet系列，Voxelnet都使用了3D sparse convolutional作为提取特征的工具，这一部分有必要深入了解。 Submanifold Sparse Convolutional Networks 文章研究动机和目标 此处是摘要内容，我结合了最近在研究的PVrcnn文章来分析稀疏卷积。 卷积网络是分析图像
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