- 博客(6)
- 收藏
- 关注
RSS订阅原创 SENet（Squeeze-and-Excitation Networks）算法笔记
SENet（Squeeze-and-Excitation Networks）算法笔记看过最详细的论文笔记
2020-07-27 15:19:07
527
原创 DGCNN论文理解
DGCNN论文理解一、EdgeConv概述1.对输入点云构造基于每个点的knn局部邻域图G=（V,E），每条边表示为其中h是一个具有一组可学习参数的非线性函数2. 通过应用通道对称聚合操作来定义EdgeConv操作, 在第i个顶点的输出是二、文中具体的EdgeConv1.对邻域边特征提取： 显式地将由补丁中心xi的坐标捕获的全局形状结构与xj-xi捕获的局部邻域信息结合起来，并且该操作可以作为共享的MLP其中参数为2.邻域特征聚合—max-pooling...
2020-07-26 20:50:45
1034
2
原创 一个点云语义分割网络-论文整理SK-Net: Deep Learning on Point Cloud via End-to-end Discovery of Spatial Keypoints
论文整理SK-Net: Deep Learning on Point Cloud via End-to-end Discovery of Spatial Keypoints该论文提出了 一个PDE模块+局部区域置换不变性+两个损失调节1)PDE模块提取了局部区域细节特征和局部区域间空间特征2）做PED之前对局部区域细节特征M*256特征做max-pooling保证他们置换不变性3）两个损失调节a.为保证关键点skpoints能显著性分布，分别计算两个关键点间的距离和超参数作对比：b.尽量使关
2020-07-21 21:55:11
461
原创 RandLA-Net论文理解：大规模室外点云语义分割
RandLA-Net论文理解论文下载代码下载概述论文针对大规模室外点云语义分割提出两个想法：1.分析了一些降采样方法，认为随机采样从效率和可行性上更适合大规模点云的采样2.为了对抗随机采样带来的关键信息丢失问题，提出局部特征采样器随机采样最重要的是由于随机采样的计算复杂度为O(1)，所以与输入点的总数无关。总的来说，FPS、IDIS和GS在计算上太昂贵，无法应用于大规模点云。CRS方法的内存占用过大，PGS 很难学习。相比之下，随机采样有两个优点：1)它具有显著的计算效率，因为它与输入点的
2020-07-20 23:23:09
928
原创 win10下anaconda3创建虚拟环境
win10下anaconda3创建虚拟环境首先打开anaconda promptconda常用命令1）conda list 查看安装了哪些包2）conda env list 或 conda info -e 查看当前存在哪些虚拟环境3）conda update conda 检查更新当前conda在anaconda创建虚拟环境输入conda create -n py3.6 python=3.6 (py3.6是自己取的虚拟环境名，python=3.6指定了该虚拟环境下的python版本）切换虚拟环
2020-07-04 21:07:44
1206
原创 #python3.7.3+cuda10.0下 pytorch、tensorflow安装及踩坑分析
python3.7.3+cuda10.0下 pytorch安装打开cmdpip install https://download.pytorch.org/whl/cu100/torch-1.0.0-cp37-cp37m-win_amd64.whlpip install torchvision==0.2.1测试下是否成功先进入python，再输入以下：import torchprint(torch.version)进入python时出现图下问题------ cmd输入activate ba
2020-06-18 17:48:54
1367
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人