得力企业网站建设,手机网站缩放,做网站要用写接口,怎么搭建自己的网页安装
环境设置在74.183 sdfstudio 里面,SparseNeus 推荐的版本是是 torchsparse 2.0.0版本
命令行如下#xff1a;
需要 C 的 sudo 权限指定安装#xff1a; ## 安装依赖项
conda install -c conda-forge sparsehash
sudo apt-get install libsparsehash-dev 进入官网下…安装
环境设置在74.183 sdfstudio 里面,SparseNeus 推荐的版本是是 torchsparse 2.0.0版本
命令行如下
需要 C 的 sudo 权限指定安装 ## 安装依赖项
conda install -c conda-forge sparsehash
sudo apt-get install libsparsehash-dev 进入官网下载源代码安装torchsparse, 中间最好打开服务器的外网需要下载好7~8个python 对应的 wheel , 大约有20分钟的等待时间
git clone --recursive https://github.com/mit-han-lab/torchsparse
python setup.py install学习(以SparseNeus的 code 为例子)
将一个空间Volume 划分成 96*96*96 的小的 voxel ,每一个小的 voxel 都有一个当前相机系的(齐次)坐标变量名是up_coords 对应的 shape(241788,4). 每一个小的 voxel 都会向 reference image 进行投影插值得到2D 的feature,最后得到变量 multiview_features对应的 shape 是(241788,6,16),表示每个点在6张 reference image 上投影得到 C32的 feature.
multiview_features, multiview_masks back_project_sparse_type(up_coords, partial_vol_origin, self.voxel_size, feats,KRcam, sizeHsizeH, sizeWsizeW) # (num of voxels, num_of_views, c), (num of voxels, num_of_views)对于每一个小的 Voxel 内部的 feature 进行 方差的计算去得到 costvolume
volume self.aggregate_multiview_features(multiview_features, multiview_masks)volume 的shape 是 (241788,6,32)
使用 sparseConv 对于点进行卷积
sparse_feat SparseTensor(feat, r_coords.to(torch.int32)) # - directly use sparse tensor to avoid point2voxel operations
feat self.sparse_costreg_net(sparse_feat)SparseConv 是如何工作的 教程的网址https://towardsdatascience.com/how-does-sparse-convolution-work-3257a0a8fd1 SparseConv 通常用于对于 3D 点云的处理 3D 点云 在空间中的绝大多数的地方是 empty因此使用 Dense 的 3DCNN 实际上是效率很低下的。本质上是建立 Hash Table保存特定位置的计算结果。 每一个稀疏的元素 可以被 数据和对应的 索引所表示。 SparseConv 使用 HashTable 存储了所有的 active input sites, 然后通过 一个叫做 RuleBook的数据结构实现向 输出的映射。
使用
SparseConv 还是和普通的 Conv3d 一样只能处理规则化的离散数据因此 对于每一个有效数据都也要输入对应的 index. 这里的 r_coords 是 每个点对应的 index,数据类型是 torch.int32, 维度是[X,Y,Z,B] (V2.0) 或者 [B,X,Y,Z] (V2.1).
此处需要严格注意 torch.sparse 的版本 决定batch_size 放在哪一块。
转换成 sparseTensor 的结构
feat [N,16] r_coords [N,4], 4 维度分别存储[X,Y,Z,B]
sparse_feat SparseTensor(feat, r_coords.to(torch.int32))
使用SparseCNN 对于 SparseTensor 进行卷积
feat self.sparse_costreg_net(sparse_feat)实际测试调用 Sparse Tensor 的例子 import numpy as npresolution np.array([101, 101, 301])X_range np.array([0, 100])Y_range np.array([0, 100])Z_range np.array([0, 300])xs np.linspace(X_range[0],X_range[1],resolution[0])ys np.linspace(Y_range[0],Y_range[1],resolution[1])zs np.linspace(Z_range[0],Z_range[1],resolution[2])xx, yy, zz np.meshgrid(xs, ys, zs, indexingij)coord torch.tensor(np.vstack([xx.ravel(), yy.ravel(), zz.ravel()]).T, dtypetorch.float).contiguous().cuda()point_nums coord.shape[0]# batch index is in the last position in v2.0zeros torch.zeros(point_nums, 1).cuda()coord torch.cat((zeros,coord), dim1).to(torch.int32)feat torch.randn(point_nums, 3).cuda()sparse_feat SparseTensor(feat,coordscoord) net SparseCostRegNet(d_in3, d_out16).cuda()ans net.forward(sparse_feat)print(ans.shape)exit()
