الصفحة الرئيسية>المتعلقة بالبرمجة>شفرة المصدر الأخرى
تنزيل

[NIPS2021 ، TPAMI2024] YOLAT & YOLAT ++: نماذج رسم بيانية قوية وفعالة للتعرف على رسومات المتجهات

مقدمة

هذا المستودع هو تنفيذ Pytorch الرسمي لنماذج التعرف على رسومات المتجهين القوية.

ورقة Neups-2021: التعرف على رسومات المتجهات بدون نقطية.

ورقة TPAMI-2024: رسومات المتجهات التعرف على التسلسل الهرمي ومجموعة بيانات رسومات ناقلات جديدة قائمة على المخطط

IMG-NAME

يمكن أن يؤدي تقديم رسومات المتجهات إلى صفائف البكسل إلى تكاليف ذاكرة كبيرة أو فقدان المعلومات ، كما هو موضح في الشكل 1. بالإضافة إلى ذلك ، فإن هذه العملية تتجاهل المعلومات الهيكلية رفيعة المستوى داخل البدائية ، وهو أمر بالغ الأهمية لمهام الاعتراف مثل تحديد الزوايا والخطايا. لتلخيص ، نقترح عليك فقط إلقاء نظرة على المسلسلات النصية (Yolat & Yolat ++) التي تتناول المشكلات مع الرسومات النقطية عن طريق أخذ المستندات النصية لرسومات المتجهات كمدخلات.

البيئات 

conda create -n your_env_name python=3.8
conda activate your_env_name
sh deepgcn_env_install.sh

يولات

1. إعداد البيانات

مخططات الأرضية

أ) قم بتنزيل وفك مجموعة بيانات Proferplans إلى مجلد DataSet: data/FloorPlansGraph5_iter

ب) قم بتشغيل البرامج النصية التالية لإعداد مجموعة البيانات للتدريب/الاستدلال. 

 cd utils
python svg_utils/build_graph_bbox.py

الرسوم البيانية

أ) قم بتنزيل مجموعة بيانات المخططات وفك ضغطها إلى مجلد مجموعة البيانات: data/diagrams

ب) قم بتشغيل البرامج النصية التالية لإعداد مجموعة البيانات للتدريب/الاستدلال. 

 cd utils
python svg_utils/build_graph_bbox_diagram.py

2. التدريب والاستدلال

مخططات الأرضية 

 cd cad_recognition
CUDA_VISIBLE_DEVICES=0 python -u train.py --batch_size 4 --data_dir data/FloorPlansGraph5_iter --phase train --lr 2.5e-4 --lr_adjust_freq 9999999999999999999999999999999999999 --in_channels 5 --n_blocks 2 --n_blocks_out 2 --arch centernet3cc_rpn_gp_iter2  --graph bezier_cc_bb_iter --data_aug true  --weight_decay 1e-5 --postname run182_2 --dropout 0.0 --do_mixup 0 --bbox_sampling_step 10

الرسوم البيانية 

 cd cad_recognition
CUDA_VISIBLE_DEVICES=0 python -u train.py --batch_size 4 --data_dir data/diagrams --phase train --lr 2.5e-4 --lr_adjust_freq 9999999999999999999999999999999999999 --in_channels 5 --n_blocks 2 --n_blocks_out 2 --arch centernet3cc_rpn_gp_iter2  --graph bezier_cc_bb_iter --data_aug true  --weight_decay 1e-5 --postname run182_2 --dropout 0.0 --do_mixup 0 --bbox_sampling_step 5

Yolat ++

IMG-NAME

يتم تقديم Yolat ++ ، يتميز ببنية هرمية مصممة ل VGS ، وتمتد على ثلاثة مستويات: بدائية ، منحنى ، ونقطة . بالإضافة إلى ذلك ، توظف Yolat ++ استراتيجية تعزيز مدركة للموضع للتمييز الفعال بشكل فعال.

اقتباس

bibtex: 

 @inproceedings{jiang2021recognizing,
title={{Recognizing Vector Graphics without Rasterization}},
author={Jiang, Xinyang and Liu, Lu and Shan, Caihua and Shen, Yifei and Dong, Xuanyi and Li, Dongsheng},
booktitle={Proceedings of Advances in Neural Information Processing Systems (NIPS)},
volume={34},
number={},
pages={},
year={2021}}

@inproceedings{yolat24,
title={{Hierarchical Recognizing Vector Graphics and A New Chart-based Vector Graphics Dataset}},
author={Shuguang Dou, Xinyang Jiang, Lu Liu, Lu Ying, Caihua Shan, Yifei Shen, Xuanyi Dong, Yun Wang, Dongsheng Li, Cairong Zhao},
booktitle={IEEE Transactions on Pattern Analysis and Machine Intelligence},
volume={},
number={},
pages={},
year={2024}}

من فضلك هل تنظر؟ قم بلف مشروعنا لمشاركته مع مجتمعك إذا وجدت هذا المستودع مفيدًا!

مجموعة البيانات ذات الصلة

معيار للكشف المستند إلى VG وفهم المخطط

يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل