稀疏卷积—Submanifold Sparse Convolutional Networks

最新推荐文章于 2025-04-07 19:29:03 发布
转载 最新推荐文章于 2025-04-07 19:29:03 发布 · 520 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://blog.youkuaiyun.com/u013066730/article/details/108512125
文章标签：

#自动驾驶 #深度学习

本文介绍了一种高效的卷积网络——子流形稀疏卷积网络（Submanifold Sparse Convolutional Networks），该方法针对三维点云数据进行处理，通过特定的稀疏结构减少计算资源的需求同时保持高精度。

稀疏卷积—Submanifold Sparse Convolutional Networks

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

Code_YGP
关注
稀疏卷积 Sparse Convolution Net
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 8911
"""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。
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 3913
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 1091
关于深度学习中的稀疏卷积
论文阅读：3D Semantic Segmentation with Submanifold Sparse Convolutional Networks
qq_53086461的博客
03-05 1650
SSCN，sparse convolutional networks
稀疏卷积【1】Submanifold Sparse Convolutional Networks
weixin_38087692的博客
07-18 7867
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
Submanifold Sparse Convolutional Networks
space_dandy的博客
08-27 1506
学习文章Event-based Asynchronous Sparse Convolutional Networks涉及到本文的稀疏卷积操作。 关注点 目前卷积网络主要对密集输入进行处理，但是现实中有许多数据是稀疏的，作者提出了稀疏卷积操作用于处理系数点，该卷积可以在子流形结构上进行操作。 1.Motivation 1.1子流形膨胀 如图所示，一维的源泉在二维平面上进行卷积操作时，发现随着卷积层数的增加，输出的特征图的稀疏性会迅速消失。 子流形用于表示稀疏数据，因为它的有效维数低于它所在的空间，例如二维空
阅读笔记--[CVPR2018] 3D Semantic Segmentation with Submanifold Sparse Convolutional Networks
qq_37109317的博客
02-01 1775
文章目录一、Introduction二、Spatial Sparsity for Convolutional Networks三、Submanifold Convolutional Networks1、Sparse Convolution Operations2、Implementation四、Submanifold FCNs and U-Nets for Semantic Segmentation五、Experiments 一、Introduction 卷积网络(ConvNets)构成了最先进的方法，用
3D稀疏卷积
weixin_43823175的博客
05-06 2189
3D稀疏卷积 论文地址：https://arxiv.org/pdf/1711.10275.pdf 论文 3D Semantic Segmentation with Submanifold Sparse Convolutional Networks 摘要 卷积网络是分析图像、视频和三维形状等时空数据的重要基础。虽然其中一些数据自然密集（例如照片），但许多其他数据源本质上是稀疏的。示例包括使用激光雷达扫描仪或RGB-D相机获得的3D点云。卷积网络的标准“密集”实现在应用于此类稀疏数据时效率非常低。我们引入了新的
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
稀疏卷积计算
liang_shuaige的博客
01-16 819
稀疏卷积计算 gemm
稀疏卷积Sparse Convolution
人无远虑，必有近忧
02-28 3003
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 6325
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。 ...
【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
热门推荐
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
【3D目标检测】稀疏卷积
AI知识搬运工
07-19 2778
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
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