تنزيل MeshCNN - تنزيل رمز المصدر MeshCNN

MeshCNN

بايثون

1.0.0

تنزيل

meshcnn في pytorch

Siggraph 2019 [ورقة] [صفحة المشروع]

Meshcnn هي شبكة عصبية عميقة للأغراض العامة لشبكات ثلاثية ثلاثية الأبعاد ، والتي يمكن استخدامها في مهام مثل تصنيف الشكل ثلاثي الأبعاد أو تجزئة. يتضمن هذا الإطار طبقات الإلتواء وتجميع وتجميع وتبريد يتم تطبيقها مباشرة على حواف الشبكات.

كتب الرمز رنا هانوكا وأمير هيرتز بدعم من نوا فيش.

ابدء

تثبيت

استنساخ هذا الريبو:

git clone https://github.com/ranahanocka/MeshCNN.git
cd MeshCNN

تثبيت التبعيات: Pytorch الإصدار 1.2. اختياري : Tensorboardx لتدريب المؤامرات.
- عبر بيئة كوندا الجديدة conda env create -f environment.yml (يخلق بيئة تسمى meshcnn)

تصنيف الشكل ثلاثي الأبعاد على shrec

قم بتنزيل مجموعة البيانات

bash ./scripts/shrec/get_data.sh

قم بتشغيل التدريب (إذا كنت تستخدم Conda Env First Activate Env eg source activate meshcnn )

bash ./scripts/shrec/train.sh

لعرض مخططات خسارة التدريب ، في تشغيل tensorboard --logdir runs وانقر فوق http: // localhost: 6006.

قم بإجراء اختبار وتصدير الشبكات المجمعة المتوسطة:

bash ./scripts/shrec/test.sh

تصور الحافة التي تعلمها الشبكة تنهار:

bash ./scripts/shrec/view.sh

مثال على الانهيار لشبكة:

ملاحظة ، يمكنك أيضًا الحصول على أوزان مدربة مسبقًا باستخدام Bash ./scripts/shrec/get_pretrained.sh .

من أجل استخدام الأوزان التي تم تدريبها مسبقًا ، قم بتشغيل train.sh الذي سيحسب ويوفر الانحراف المتوسط / المعياري لبيانات التدريب.

تجزئة الشكل ثلاثي الأبعاد على البشر

كما هو مذكور أعلاه ، لتنزيل مجموعة البيانات / تشغيل القطار / الحصول على اختبار / عرض / عرض

bash ./scripts/human_seg/get_data.sh
bash ./scripts/human_seg/train.sh
bash ./scripts/human_seg/get_pretrained.sh
bash ./scripts/human_seg/test.sh
bash ./scripts/human_seg/view.sh

بعض أمثلة نتائج التجزئة:

مجموعات بيانات إضافية

توجد نفس البرامج النصية أيضًا لتجزئة COSEG في تصنيف scripts/coseg_seg ومكعبات في scripts/cubes .

مزيد من المعلومات

تحقق من meshcnn ويكي لمزيد من التفاصيل. على وجه التحديد ، راجع معلومات عن التجزئة ومعالجة البيانات.

تطبيقات أخرى

Point2Mesh Tensorflow Reactionation ، والذي يحتوي أيضًا على meshcnn
Medmeshcnn ، يتولى الشبكات مع 170 كيلو الحواف

اقتباس

إذا وجدت هذا الرمز مفيدًا ، فيرجى التفكير في ذكر ورقتنا

 @article{hanocka2019meshcnn,
  title={MeshCNN: A Network with an Edge},
  author={Hanocka, Rana and Hertz, Amir and Fish, Noa and Giryes, Raja and Fleishman, Shachar and Cohen-Or, Daniel},
  journal={ACM Transactions on Graphics (TOG)},
  volume={38},
  number={4},
  pages = {90:1--90:12},
  year={2019},
  publisher={ACM}
}