文件名称：图形的旋转matlab代码-tofclean:清洁
文件大小：45KB
文件格式：ZIP
更新时间：2024-06-16 13:23:23
系统开源
图形的旋转matlab代码MonoDepth-FPN-PyTorch 一个简单的端到端模型，可在PyTorch中实现深度预测的最新性能。 我们使用功能金字塔网络（FPN）骨架来从单个输入RGB图像估计深度图。 我们在NYU深度V2数据集（官方拆分）和KITTI数据集（本征拆分）上测试了模型的性能。 要求 的Python 3 Jupyter Notebook（用于可视化） 火炬用PyTorch 0.3.0.post4测试 CUDA 8（如果使用CUDA） 跑步 python3 main_fpn.py --cuda --bs 6 要从保存的模型继续训练，请使用 python3 main_fpn.py --cuda --bs 6 --r True --checkepoch 10 要可视化重建的数据，请在vis.ipynb中运行jupyter笔记本。 数据处理 NYU深度V2数据集 包含各种室内场景，其中249个用于训练的场景和215个用于测试的场景。 我们使用官方分组进行了培训和测试。 这为数据处理提供了非常详细的演练和matlab代码。 在先前的工作之后，我们使用了官方工具箱，该工具箱使用
【文件预览】：
tofclean-main
----main_fpn.ipynb(12KB)
----main_fpn.py(12KB)
----bceloss.py(585B)
----autoencoder.py(2KB)
----dataset()
--------nyuv2_dataset.py(3KB)
--------__init__.py(0B)
----unet_parts.py(3KB)
----eval.py(6KB)
----fileprocessing()
--------src()
--------bash_files()
--------.gitignore(25B)
----README.md(10KB)
----depthdiffloss.py(4KB)
----model_unet.py(14KB)
----pixelwiseloss.py(550B)
----model_fpn.py(5KB)
----maskloss.py(939B)
----autoencoder.ipynb(2KB)
----.gitignore(101B)
----evaluate.sh(917B)
----unet_model.py(1KB)