朽一-优快云博客

在torch.nn.functional.conv2d()中使用自己构造的sobel卷积核，卷积核shape为（out_channels, in_channels, kernel_size, kernel_size）import torch, cv2import torch.nn.functional as Fsobel_x = torch.tensor([[-1, -2, -1], [0, 0, 0], .

2022-04-11 17:26:44 7232

原创 UCS-Net理解

深度假设方法ATV

2022-03-20 14:23:56 2075 3

原创 CDS-MVSNet理解

CURVATURE-GUIDED DYNAMIC SCALE NETWORKS FOR MULTI-VIEW STEREO一、问题与创新1.关注点2.目前MVS的特征提取网络中存在的问题3.创新点二、网络细节1.法曲率2.CDSConv(曲率引导的动态尺度卷积)1)法曲率计算2)法曲率近似3)可学习的法曲率4)尺度选择5)示例说明3.CDSFNet（曲率引导的动态尺度特征网络）一、问题与创新1.关注点学习一个健壮的特征提取网络，以提高匹配性能。2.目前MVS的特征提取网络中存在的问题1.使用

2022-03-02 21:17:49 4383 30

原创 termux安装配置(2022)

1.安装包下载github下载2.装vimpkg install vim3.换源#使用命令换源termux-change-repo#检查一下cat ../usr/etc/apt/sources.list4.更新pkg update && pkg upgrade5.装ohmyzsh主题pkg install zsh git sh -c "$(curl -fsSL https://html.sqlsec.com/termux-install.sh)"#首次可输

2022-02-27 18:39:50 3446

原创 PVA-MVSNet理解

PVA-MVSNet一、Method1.问题与创新2.网络结构3.Pixel-wise View Aggregation4.Voxel-wise View Aggregation5. Multi-metric Pyramid Depth Map Aggregation二、Implementation Details一、Method1.问题与创新问题：1.由于不同的照明、摄像机几何参数、场景内容等，不同视图的图像会提取到不同的特征。没有遮挡的图像可以提供比部分遮挡的图像更精确的几何和光度信息。2.

2022-01-10 13:09:05 2417

原创 tanks and temples数据集评估

tanks and temples数据集是一个大型的多视角重建数据集，这里记录通过上传到官网进行评估的方法评估指南tanks and temples数据集评估方法1.官网注册账号2.创建submit项目3.整理文件1).标注1的文件*.ply2).标注2的文件*.log3).标注3的文件4).标注4的文件4.上传1.官网注册账号官网注册地址登陆2.创建submit项目按要求填写并保存3.整理文件以intermediate分支为例，组成如下文件列表1).标注1的文件*.

2022-01-09 23:02:25 7105 69

原创构造任意层数的金字塔（pytorch）

codeimport torchimport torch.nn as nnimport torch.nn.functional as Fclass ConvBnReLU(nn.Module): def __init__(self, in_channels, out_channels, kernel_size, stride, padding, bias=True, dilation=1): super(ConvBnReLU, self).__init__()

2021-12-01 12:49:00 1456

原创 pytorch pow_()使用需谨慎

示例： x = torch.randn(1) y1 =x print("x:",x) print("y1:",y1) y2 = x.pow_(2) print("pow_ ...") print("x:",x) print("y1:",y1) print("y2:",y2)输出：x: tensor([-1.7124])y1: tensor([-1.7124])pow_ ...x: tensor([2.9323])y1:

2021-11-30 17:16:04 3392

原创 python工具

√1.catloss.py2.catpfm.py3.subimg.py4.convertpth.py5.clip.py6.zipall.py7.movieclip.py1.catloss.pyimport visdom,sysimport numpy as npdef show_loss(path, name, step=1): with open(path, "r") as f: data = f.read() data = data.split("\n")[:

2021-11-20 15:42:59 789

原创 linux任务托管（ssh连接断开任务继续运行）

linux任务托管1.nohup2.tmux1.nohupnohup是linux自带的命令，不需要额外安装使用：nohup 命令eg.nohup python3 train.pynohup python3 train.py >nohup.out1.命令执行后，直接关闭ssh连接窗口即可将任务挂至后台2.常使用输出重定向，将命令行输出写入文件3.可新开一个窗口，使用以下命令实时查看执行情况tail -f nohup.out4.nohup挂起的任务怎么结束运行1

2021-11-14 11:44:56 1628

原创 cmake编译点云融合工具fusibile

cmake编译点云融合工具fusibilecmake . && make 出现的一系列问题及解决1.camke3.10.0安装yum install -y gcc gcc-c++ make automake yum install -y wgetwget https://cmake.org/files/v3.10/cmake-3.10.0.tar.gztar -zxvf cmake-3.10.0.tar.gzcd cmake-3.10.0./bootstrapgmake

2021-11-11 16:44:25 2228 12

原创腾讯云GPU计算型GN8 | GN8.LARGE56使用记录

1.查看显卡lspci | grep -i nvidia2.安装显卡驱动参考腾讯云服务器操作指南3.安装pytorch查看cuda版本nvidia-smi服务器whl包装pytorch

2021-11-11 13:54:13 1180

原创将gpu并行模型转换为单cpu/gpu模型

import torchdef convert_model(para_model,single_model): checkpoint = torch.load(para_model ,map_location=torch.device("cpu")) output={} for key,value in checkpoint['model'].items(): output[key.lstrip("module.")]=value torch.sav

2021-11-09 10:19:31 2611 2

原创 tkinter写一个相机标定工具

效果1.标定2.矫正说明对单张标定板图像进行标定，填写标定板角点分布、黑白格子尺寸，标定结果自动保存为DTU数据集格式。标定完成后，可以对同一视角拍摄的图像进行矫正，矫正结果自动保存。代码#coding=utf-8import cv2,osimport numpy as npimport tkinter as tkfrom tkinter import filedialogfrom PIL import ImageTk,Imageclass CalibUI():

2021-09-26 18:19:30 381

原创 tkinter写一个视频截屏工具

效果python代码#coding=utf-8import cv2,osimport tkinter as tkfrom tkinter import filedialogfrom PIL import ImageTk,Imageclass Display(): def __init__(self,wide=800, height=500,save_path="result",fps=70): self.W, self.H = wide, height

2021-09-25 21:22:09 257

原创无监督重建——JDACS

Self-supervised Multi-view Stereo via Effective Co-Segmentation and Data-Augmentation一、网络结构1.深度预测分支2.语义一致性分支3.数据增强分支4.网络损失一、网络结构语义一致性分支+深度预测分支+数据增强分支1.深度预测分支采用MVSNet、AACVP-MVSNet等骨干网络，用于预测深度图损失：M为掩膜。2.语义一致性分支流程:预训练vgg特征提取→非负矩阵分解→重塑为热图→softm

2021-09-23 10:54:44 1347

原创 M3VSNet理解

M3VSNet: Unsupervised Multi-metric Multi-view Stereo Network一、网络概览1.1创新点1.2网络结构二、网络细节2.1金字塔特征提取2.2法线深度一致性2.3多度量损失函数2.3.1像素损失2.3.2特征损失三、实验3.1实验环境3.2实验结果3.3消融实验3.4在Tanks & Temples上的泛化能力一、网络概览1.1创新点•提出了一种新的多尺度无监督网络，即使在非理想环境下也能工作，可以使用没有ground-truth的数据集

2021-08-31 19:35:44 1301

原创 AACVP-MVSNet理解

一、网络结构二、基于自注意力的层次特征提取三、最粗分辨率（最低尺度）下的深度推断四、精细尺度下的深度残差估计五、Loss六、结果评估（DTU）一、网络结构AACVP-MVSNet：基于注意力感知代价体金字塔的多视图立体网络创新点：1）引入自注意力层提高特征提取能力，它可以捕获深度推理任务的重要信息；2）引入了相似性度量来聚合参考图像和所有源图像之间的代价，而不是大多数现有MVS网络使用的基于方差的方法；3）使用从粗到精的深度推断策略，实现了整体性能的提高。结构说明：1）构建图像.

2021-08-08 19:03:36 1341 3

原创 SimCLR图像分类——pytorch复现

SimCLR图像分类 pytorch复现一、网络模型、损失函数1.原理2.code二、配置文件三、无监督学习数据加载四、无监督训练五、有监督训练六、训练并查看过程七、验证集评估八、自定义图片测试一、网络模型、损失函数1.原理SimCLR(A Simple Framework for Contrastive Learning of Visual Representations)是一种对比学习网络，可以对含有少量标签的数据集进行训练推理,它包含无监督学习和有监督学习两个部分。无监督学习网络特征提取

2021-07-11 19:03:54 24590 201

原创 tkinter写一个人脸识别系统（opencv）

一直想看看人脸识别是怎么弄的，恰好最近需要做一个图像分析与理解的大作业，做一做试试，开整

2021-07-06 20:48:18 3278 25

原创 CasMVSNet理解

Cascade Cost Volume for High-Resolution Multi-View Stereo一、整体结构二、特征金字塔三、单应性变换四、代价体五、损失函数Loss一、整体结构1.输入图像经过特征金字塔得到不同尺寸的特征图；2.从小尺寸的特征图开始，进行单应性变换构建代价体，再使用方差聚合为一个统一的代价体，之后用三维卷积聚集代价体上下文信息并正则化噪声污染，最后回归得到深度图（这一步过程大致和MVSNet相同）；3.根据当前得到的深度图，找到合适的深度采样区间，将其作为下一

2021-07-06 19:42:38 4197

原创 pytorch笔记——基础

^_^一、概览1.构建网络模型2.加载数据集3.实例化网络，损失函数，优化器4.批量梯度下降训练二、Dataset、Model、Loss、Optimizer1.加载自己的数据集2.网络模型Model3.损失函数Loss：4.优化器三、常用语句块1.设备选择2.固定随机一、概览使用流程，手写数字为例1.构建网络模型2.加载数据集3.实例化网络，损失函数，优化器4.批量梯度下降训练二、Dataset、Model、Loss、Optimizer1.加载自己的数据集1）继承torch.

2021-07-05 10:56:31 234

原创服务器安装pytorch（下载至本地安装、快速稳定）

目前一直在用的pytorch环境部署方法

2021-06-16 19:08:12 1285

原创 vs使用QtOpenGLWidgets

1.include#include <QtOpenGLWidgets/QOpenGLWidget>#include #include #include <QtOpenGL/QOpenGLBuffer>#include <QtOpenGL/QOpenGLVertexArrayObject>#include <QtOpenGL/QOpenGLShaderProgram>#include #include #include #inclu

2021-05-21 10:27:57 1114

原创 MVSNet单应性变换推导

[1] Gallup D , Frahm J M , Mordohai P , et al. Real-Time Plane-Sweeping Stereo with Multiple Sweeping Directions[C]// IEEE Conference on Computer Vision & Pattern Recognition. IEEE, 2007.[1] Yang R , Pollefeys M . Multi-Resolution Real-Time Stereo on

2021-05-18 19:56:02 3878 4

原创 Fast-MVSNet解读

Fast-MVSNet一、概览二、稀疏高分辨率深度图预测三、深度图扩展四、Gauss-Newton 精细化五、损失函数六、实现细节1.train2.test七、网络结构1.稀疏高分辨率深度图预测2.深度图扩展3.Gauss-Newton精细化八、深度图融合九、消融实验一、概览网络分为3部分：稀疏高分辨率深度图预测网络、深度图扩展网络、高斯-牛顿精细化网络二、稀疏高分辨率深度图预测深度图方法的对比：a)高分辨率深度图：内存成本很高b)低分辨率深度图：没有细节c)稀疏的高分辨率深度图：内存

2021-05-14 16:45:15 2578 23

空空如也

空空如也