文件名称：matlab把m文件生成c代码-sparse-ncnet:稀疏NCNet的实现：“通过子流形稀疏卷积的有效邻域共识网络”
文件大小：8.51MB
文件格式：ZIP
更新时间：2024-06-16 18:47:29
系统开源
matlab把m文件生成c代码稀疏邻里共识网络 关于 这是Ignacio Rocco，ReljaArandjelović和Josef Sivic接受ECCV 2020的论文“通过子流形稀疏卷积的高效邻里共识网络”的实现。 安装 有关安装说明，请参阅。 快速开始 有关该方法的演示，请参阅Jupyter笔记本。 训练 要使用默认参数训练模型，请运行python train.py 。 对HPatches序列的评估 浏览到eval/ 。 运行python eval_hpatches_extract.py调整检查点和实验名称。 将eval_hpatches_generate_plot.ipynb与适当的实验名称一起使用以生成图。 InLoc评估 为了运行InLoc评估，您首先需要克隆，然后下载并编译所有必需的依赖关系。 然后： 浏览到eval/ 。 运行python eval_inloc_extract.py调整检查点和实验名称。 这将在datasets/inloc/matches/文件夹中生成一系列匹配文件，然后需要将这些文件输入InLoc评估Matlab代码。 修改此eval/eval_in
【文件预览】：
sparse-ncnet-master
----.gitignore(146B)
----INSTALL.md(2KB)
----trained_models()
--------.gitignore(84B)
--------download.sh(87B)
----datasets()
--------hpatches()
--------inloc()
--------contents.txt(358B)
----LICENSE(1KB)
----README.md(3KB)
----demo()
--------demo.ipynb(2.79MB)
--------aachen_db.jpg(488KB)
--------aachen_query.jpg(699KB)
----lib()
--------sparse.py(9KB)
--------plot.py(2KB)
--------eval_util.py(2KB)
--------dataloader.py(11KB)
--------knn.py(5KB)
--------py_util.py(998B)
--------transformation.py(2KB)
--------relocalize.py(6KB)
--------normalization.py(3KB)
--------im_pair_dataset.py(4KB)
--------torch_util.py(3KB)
--------conv4d.py(4KB)
--------point_tnf.py(6KB)
--------model.py(13KB)
----lib_matlab()
--------ht_plotcurve_WUSTL.m(4KB)
--------p2c.m(74B)
--------at_pv_wrapper.m(967B)
--------ht_top10_NC4D_PV_localization.m(3KB)
--------ir_top100_NC4D_localization_pnponly.m(2KB)
--------at_imageresize_nc4d.m(770B)
--------show_matches2_horizontal.m(1KB)
--------parfor_NC4D_PE_pnponly.m(4KB)
--------parfor_nc4d_PV.m(3KB)
--------p2dist.m(438B)
----eval()
--------eval_aachen_extract.py(10KB)
--------eval_inloc_generate_plot.m(2KB)
--------eval_hpatches_generate_plot.ipynb(124KB)
--------eval_hpatches_extract.py(9KB)
--------eval_aachen_reconstruct.py(14KB)
--------eval_inloc_compute_poses.m(2KB)
--------eval_inloc_extract.py(10KB)
----eval_ncnetdense()
--------eval_inloc_ncnetdense_extract.py(9KB)
--------eval_hpatches_ncnetdense_extract.py(11KB)
----train.py(10KB)