文件名称：Self-supervised-Monocular-Trained-Depth-Estimation-using-Self-attention-and-Discrete-Disparity-Volum:CVPR 2020论文的复制品-使用自我注意和离散视差量的自我监督单眼训练深度估计
文件大小：2.37MB
文件格式：ZIP
更新时间：2024-05-24 09:09:43
pytorch unsupervised-learning kitti-dataset ordinal-regression self-attention
使用自我注意和离散视差量的自我监督单眼训练深度估计-ML重现性挑战2020 该项目是CVPR 2020论文的复制品 使用自我注意和离散视差量的自我监督单眼训练深度估计 阿德里安·约翰斯顿，古斯塔沃·卡内罗 它建议通过完全监督的方法来弥补性能差距，该方法仅使用单眼序列进行训练，并借助附加层-自注意力和离散视差量。 设定程序 从克隆项目。 转到目录使用自我注意和离散视差量的自我监督单眼训练深度估计。 安装套件为了重现代码，请通过运行以下命令来安装软件包。 pip install -r requirements.txt 该项目使用Python 3.6.6，cuda 10.1，pytorch 0.4.1，torchvision 0.2.1，tensorboardX 1.4和opencv。 实验是使用NVIDIA Tesla P100 GPU和CPU环境-Intel Xeon E5-2
【文件预览】：
Self-supervised-Monocular-Trained-Depth-Estimation-using-Self-attention-and-Discrete-Disparity-Volum-master
----networks()
--------encoder_selfattn.py(5KB)
--------base_oc_block.py(6KB)
--------resnet_encoder.py(4KB)
--------util.py(2KB)
--------monodepth2_decoder.py(2KB)
--------__init__.py(246B)
--------pose_cnn.py(1KB)
--------asp_oc_block.py(3KB)
--------decoder.py(7KB)
--------pose_decoder.py(2KB)
----options.py(11KB)
----splits()
--------benchmark()
--------eigen_benchmark()
--------eigen_full()
--------odom()
--------kitti_archives_to_download.txt(7KB)
--------eigen()
--------eigen_zhou()
----utils.py(4KB)
----depthComparison.png(1.52MB)
----train.py(280B)
----export_gt_depth.py(3KB)
----evaluate_depth.py(9KB)
----evaluate_city_depth.py(5KB)
----inplace_abn()
--------functions.py(8KB)
--------bn.py(6KB)
--------src()
--------__init__.py(115B)
----trainer.py(26KB)
----test_simple.py(7KB)
----requirements.txt(420B)
----.gitignore(80B)
----layers.py(8KB)
----README.md(4KB)
----kitti_utils.py(3KB)
----datasets()
--------cityscapes_dataset.py(738B)
--------__init__.py(127B)
--------mono_dataset.py(7KB)
--------kitti_dataset.py(4KB)
----evaluate_pose.py(4KB)