ดาวน์โหลด MeshCNN - ดาวน์โหลดซอร์สโค้ด MeshCNN

MeshCNN

หลาม

1.0.0

ดาวน์โหลด

meshcnn ใน pytorch

SIGGRAPH 2019 [PAPER] [หน้าโครงการ]

MESHCNN เป็นเครือข่ายประสาทส่วนลึกทั่วไปสำหรับตาข่ายสามเหลี่ยม 3D ซึ่งสามารถใช้สำหรับงานเช่นการจำแนกรูปร่าง 3 มิติหรือการแบ่งส่วน เฟรมเวิร์กนี้มีเลเยอร์ convolution การรวมและ unpooling ซึ่งใช้โดยตรงบนขอบตาข่าย

รหัสนี้เขียนโดย Rana Hanocka และ Amir Hertz ด้วยการสนับสนุนจาก Noa Fish

เริ่มต้น

การติดตั้ง

โคลน repo นี้:

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

ติดตั้งการพึ่งพา: Pytorch เวอร์ชัน 1.2 ตัวเลือก : TensorBoardX สำหรับแปลงฝึกอบรม
- ผ่านสภาพแวดล้อม conda ใหม่ conda env create -f environment.yml (สร้างสภาพแวดล้อมที่เรียกว่า meshcnn)

การจำแนกรูปร่าง 3 มิติบน Shrec

ดาวน์โหลดชุดข้อมูล

bash ./scripts/shrec/get_data.sh

รันการฝึกอบรม (หากใช้ Conda Env เปิดใช้งาน env ก่อนเช่น source activate meshcnn )

bash ./scripts/shrec/train.sh

ในการดูแผนการสูญเสียการฝึกอบรมในเทอร์มินัลรัน tensorboard --logdir runs และคลิก http: // localhost: 6006

เรียกใช้ทดสอบและส่งออกตาข่ายพูลระดับกลาง:

bash ./scripts/shrec/test.sh

เห็นภาพขอบเครือข่ายที่เรียนรู้ล่มสลาย:

bash ./scripts/shrec/view.sh

ตัวอย่างของการยุบสำหรับตาข่าย:

หมายเหตุคุณยังสามารถรับน้ำหนักที่ได้รับการฝึกอบรมล่วงหน้าโดยใช้ bash ./scripts/shrec/get_pretrained.sh

ในการใช้น้ำหนักที่ได้รับการฝึกอบรมล่วงหน้าให้เรียกใช้ train.sh ซึ่งจะคำนวณและบันทึกค่าเฉลี่ย / ค่าเบี่ยงเบนมาตรฐานของข้อมูลการฝึกอบรม

การแบ่งส่วนรูปร่าง 3 มิติบนมนุษย์

เช่นเดียวกับด้านบนเพื่อดาวน์โหลดชุดข้อมูล / รันรถไฟ / รับการทดสอบ / เรียกใช้ / การดู / ดู

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

ตัวอย่างผลการแบ่งส่วนบางส่วน:

ชุดข้อมูลเพิ่มเติม

สคริปต์เดียวกันยังมีอยู่สำหรับการแบ่งส่วน COSEG ใน scripts/coseg_seg และการจำแนกประเภท Cubes ใน scripts/cubes

ข้อมูลเพิ่มเติม

ตรวจสอบรายละเอียดเพิ่มเติม Meshcnn Wiki โดยเฉพาะดูข้อมูลเกี่ยวกับการแบ่งส่วนและการประมวลผลข้อมูล

การใช้งานอื่น ๆ

การปรับปรุงการปรับเปลี่ยนการปรับเปลี่ยน tensorflow ซึ่งมี meshcnn
Medmeshcnn จัดการตาข่ายด้วยขอบ 170k

การอ้างอิง

หากคุณพบว่ารหัสนี้มีประโยชน์โปรดพิจารณาอ้างถึงกระดาษของเรา

 @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}
}