OSCNET+ 代码复现

最新推荐文章于 2025-12-20 19:12:45 发布

原创

最新推荐文章于 2025-12-20 19:12:45 发布 · 439 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#计算机视觉 #人工智能 #深度学习 #神经网络 #图像处理

项目github 已有，开个博客大家如果复现有问题可以随时在下面留言

github ：GitHub - hongwang01/OSCNet: 【MICCAI 2022, TMI 2023】Orientation-Shared Convolution Representation Model

1、从github 下载项目并解压

2、下载数据集

当然自己用肯定是自己写dataload，我就不放自己的代码了

3、然后训练就行

Train OSCNet

python train.py --gpu_id 0 --data_path "data/train/"  --model "osc" --log_dir "logs_osc/" --model_dir "pretrained_model/model_osc/" --cdiv 1

Train OSCNet+

python train.py --gpu_id 0 --data_path "data/train/"  --m

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

请站在我身后

关注关注

5
点赞
踩
9

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

专栏目录

【占用网络】OccNet: Scene as Occupancy 适用于检测、分割和规划任务 ICCV2023

黎国溥

12-29

3068

本文分享“占用网络”方案中，具有代表性的方法：OccNet。它以多视角视觉为核心，首先生成BEV特征，然后通过级联结构和时间体素解码器重建生成3D占用特征。构建一个通用的“3D占用编码特征”，用以表示3D物理世界。这样的特征描述可以应用于广泛的自动驾驶任务，包括检测、分割和规划。

【从零开始复现PVnet】（下）复现PVNet

weixin_44338714的博客

04-07

2190

环境：显卡驱动版本：nvidia-driver-470。

1 条评论您还未登录，请先登录后发表或查看评论

OSCNet: Orientation-Shared Convolutional Network for CT Metal Artifact Learning

通街是密人有的博客

11-14

914

X射线计算机断层扫描(CT)已广泛应用于疾病诊断和图像引导干预的临床应用。然而，患者体内的金属总是在恢复的CT图像中造成不利的伪影。尽管在金属伪影还原(MAR)任务中获得了有希望的重建结果，但大多数现有的基于深度学习的方法都存在一些局限性。关键的问题是，这些方法中的大多数都没有充分利用这个特定MAR任务背后的重要

读论文《OSCNet: Orientation-Shared ConvolutionalNetwork for CT Metal Artifact Learning》

buganything的博客

07-08

1143

背景部分简单的略过与我们的会议作品OSCNet[22]相比，本文在以下方面做了实质性的改进:1)在[22]中，工件的卷积表示是从整个训练数据集中学习的，并且是样本不变的。相比之下，在本文中，我们进一步设计了一种新的网络结构，称为OSCNet+，它可以动态地实现不同输入金属影响CT图像的卷积表示。因此，本文提出的OSCNet+具有更大的工件提取灵活性和更好的泛化性能;2)重新制定模型推导，统一两个框架，包括OSCNet和OSCNet+。这样可以让读者更好地理解我们的研究见解;

Windows系统保姆级复现Pointnet++算法教程笔记（基于Pytorch）

热门推荐

m0_70694811的博客

01-08

1万+

今天复现了PointNet++网络，中途也遇到过好多报错问题，但都一一解决了，最终实现cls、partseg、semseg训练(train)和测试(test)程序的成功跑通。3D点云目标检测算法Pointnet++项目实战 Pytorch实现附代码：链接：https://pan.baidu.com/s/10Nk4Zd3S_NklY5PJwzmnWA提取码：6688。

使用Github Actions实现代码推送Github自动同步到Gitee镜像仓库！

自媒体程序员

03-01

3146

修改：文章修改于2021/3/1日，昨晚半夜写完的第一套方案白天测试的时候不能实现自动Gitee Pages，所以紧急进行了修改，并对整个流程的细节进行了更详细的描述，相信跟着走下来，大家都可以打造出自己超好用的静态博客写作、部署脚本，从此真正将更多的精力投入的写作中！！！我的个人博客是通过Github的Pages技术搭建的静态博客，使用 vuepress 驱动。由于Github在国内环境访问速度慢，并且不够稳定，所以通常对外介绍使用Gitee的镜像博客仓库，但是每次都需要在推送Github之后去G.

免费javaweb系统代码

12-05

[Ruoyi后台界面示例](https://oscimg.oschina.net/oscnet/up-82e1082e95a78a5b6c8c9b8e0dabf7d3d7a.png) - **EL-ADMIN** GitHub：https://github.com/elunez/eladmin 基于Spring Boot 2.6 + Vue 3的前后端分离...

Python命令行代码与其他工具集成：将命令行代码与其他工具无缝集成，提升工作效率

[Python命令行代码与其他工具集成：将命令行代码与其他工具无缝集成，提升工作效率](https://oscimg.oschina.net/oscnet/f640e364a813eb6a3f78f6b8a956dfdf4d0.jpg) # 1. Python命令行代码简介** Python命令行代码...

(一)STDCNet源码解读

机器人视觉感知

08-25

3775

STDCMNet(Short Term Dense Concatenate Network)网络是美团2021年04月27号提交的论文中提出的轻量级语义分割网络，该网络是在基础上的升级改进。STDCNet主要贡献有两点，一方面是对骨干网络backbone的改进，改成了的模块结构，同一个STDC模块中，每个ConvX随着感受野的变大输出的通道数逐渐变少，最后再到一起，因此包含更多的特征尺度信息。另一方面是多分支低阶细节信息辅助训练结构，

occupancy_networks demo复现

GODLwc的博客

05-12

1389

复现特斯拉Occupancy Networks算法

MICCAI 2020 Challenges相关数据集下载

sigmoidAndReLU的博客

09-05

1万+

转载自原文链接：https://blog.youkuaiyun.com/sinat_34686158/article/details/106918107 1 REFUGE2 2nd Retinal Fundus Glaucoma Challenge 第二届眼底青光眼竞赛文档： https://zenodo.org/record/3714947#.XuS2R2ozZQI 竞赛： https://refuge.grand-challenge.org/ 临床青光眼的分类；视盘和杯的分割；中央凹的定位，重视临床应用和技

阿里云有奖体验：块存储快速入门

aliyunyingy的博客

07-12

256

场景将提供一台配置了CentOS 7.7版本的ECS实例（云服务器）和两块高效云盘的数据盘。通过本教程的操作，您可以通过阿里云控制台和Linux操作系统，快速入门块存储。

MICCAI 2022 KiPA Challenge：肾脏多器官分割挑战赛

117瓶果粒橙

04-22

2415

国际顶会竞赛！获奖证书和丰厚奖金！还能共同撰写顶刊论文？！！全新的医学图像分割挑战赛开始啦~~~~ 肾脏解析(Kidney PArsing) ，是肾癌治疗中的最重要任务之一。其中，肾脏多器官分割 (Multi-Structure Segmentation for Renal Cancer Treatment) 旨在三维CT图像中，分割出肾脏、肿瘤、动脉和静脉，具有至关重要的临床意义。 KiPA 挑战赛官网h...

【计算机视觉（17）】语义理解-训练神经网络2_优化器_正则化_超参数

hiliang521的博客

12-18

851

【计算机视觉（17）】语义理解-训练神经网络2_优化器_正则化_超参数

Python中3类目标检测方法详解：从原理到实践

最新发布

阿旭的博客

12-20

462

Python中3类目标检测方法详解：从原理到实践

MODA：首个用于航空图像中多光谱目标检测的挑战性基准

AI浩

12-16

707

数据收集。多光谱传感器以空间分辨率换取光谱波段。MODA针对具有广泛小目标的航空场景，需要高空间分辨率；因此，我们选择了一台专业无人机载多光谱相机(1280×960图像尺寸；8个光谱波段范围为395∼950 nm；100米高度处4.5厘米/像素)在多样场景、时间和天气条件下记录MSIs，产生14,041张MSIs(9,156张训练；4,885张测试)，覆盖50个城区。高质量标注。为确保高质量标注，我们采用了三阶段协议：(i)起草详细指南(目标定义、标注工具使用)并通过试用任务培训标注员；

【计算机视觉（11）】损失函数与优化基础篇：如何训练线性分类器

hiliang521的博客

12-16

939

【计算机视觉（11）】损失函数与优化基础篇：如何训练线性分类器

【计算机视觉】YOLO11-DGCST：轴承表面划痕检测新方案

Piar1231sdafa的博客

12-19

472

本文介绍了基于YOLO11架构优化的YOLO11-DGCST模型，专为轴承表面划痕检测设计。该模型通过引入DGCST模块增强小目标检测能力，改进C3k2模块提升特征提取效率，并采用C2PSA注意力机制优化空间定位。检测头部分采用轻量级DWConv结构，在保持精度的同时显著提升推理速度。相比YOLOv8，YOLO11在模型结构和参数量上进行了优化，更适合工业检测场景。实验表明，该方案在轴承划痕检测任务中实现了精度与效率的平衡，特别适合实时工业检测应用。

985工科博士毕业，专攻定位、导航和滤波等算法研究。从业10年，主要使用MATLAB

12-20

571

本文提出基于视觉-IMU融合的运动估计方法，结合图像特征和惯性测量数据实现精准定位。研究采用扩展卡尔曼滤波(EKF)融合高频IMU数据（加速度/角速度）与低频视觉数据（特征点坐标），通过坐标变换、误差动力学建模和时间戳对齐实现传感器数据融合。MATLAB实现包含运动模型积分、旋转矩阵计算和状态估计等模块，可视化结果展示了三维轨迹估计效果。该方案适用于无人驾驶、机器人导航等领域，可通过引入GPS或优化算法进一步提升精度。研究为多传感器融合定位提供了可行解决方案和技术参考。