文件名称：UnRigidFlow:官方的PyTorch实施，结合了局部刚度的场景流估计的无监督学习
文件大小：74.12MB
文件格式：ZIP
更新时间：2024-05-24 13:05:11
pytorch optical-flow Python
非刚性流 这是 （IJCAI2019）的官方PyTorch实施。 这是我们无监督模型的两个示例结果（每个〜10MB gif）。 奇蒂15 城市风光 如果您发现此存储库对您的研究有用，请考虑引用以下内容： @inproceedings{Liu:2019:unrigid, title = {Unsupervised Learning of Scene Flow Estimation Fusing with Local Rigidity}, author = {Liang Liu, Guangyao Zhai, Wenlong Ye, Yong Liu}, booktitle = {International Joint Conference on Artificial Intelligence, IJCAI}, year = {2019} } 要求 该代码库是使用Python
【文件预览】：
UnRigidFlow-master
----models()
--------get_model.py(567B)
--------pwcnet.py(8KB)
--------net_blocks.py(4KB)
----data()
--------filenames()
----logger.py(860B)
----train.py(1KB)
----losses()
--------rigid_loss.py(8KB)
--------depth_loss.py(9KB)
--------loss_blocks.py(2KB)
--------flow_loss.py(4KB)
--------get_loss.py(734B)
----basic_train.py(2KB)
----trainer()
--------get_trainer.py(460B)
--------base_trainer.py(4KB)
--------kitti_rigid_trainer.py(11KB)
--------kitti_flow_trainer.py(7KB)
--------kitti_depth_trainer.py(5KB)
----transforms()
--------co_transforms.py(7KB)
--------sep_transforms.py(832B)
----checkpoints()
--------KITTI_flow_joint.pth.tar(19.54MB)
--------KITTI_stereo_depth.pth.tar(19.5MB)
--------KITTI_flow.pth.tar(19.54MB)
----configs()
--------KITTI_depth_stereo.json(1KB)
--------KITTI_rigid_flow_stereo.json(2KB)
--------KITTI_flow.json(2KB)
----requirements.txt(142B)
----.gitignore(29B)
----demo()
--------kitti.gif(9.39MB)
--------cityscapes.gif(9.72MB)
----README.md(4KB)
----utils()
--------rigid_utils.py(6KB)
--------flow_utils.py(4KB)
--------torch_utils.py(5KB)
--------depth_utils.py(4KB)
--------warp_utils.py(3KB)
--------misc_utils.py(1KB)
----datasets()
--------get_dataset.py(1KB)
--------KITTI.py(8KB)