EMD的matlab代码分享MSN：用于密集点云完成的变形和采样网络
MSN是一种基于学习的形状补全方法，可以保留已知结构并生成密集且分布均匀的点云。
有关更多详细信息，请参阅我们的
AAAI
2020。
在这个项目中，我们还提供了点云的地球移动距离（EMD）的实现，它基于拍卖算法，只需要
$O(n)$
内存。
完成后获得
32,768
分
用法
1)
环境和先决条件
pytorch
1.2.0
CUDA
10.0
Python
3.7
2)
编译
编译我们的扩展模块：
cd
emd
python3
setup.py
install
cd
expansion_penalty
python3
setup.py
install
cd
MDS
python3
setup.py
install
3)
下载数据和训练好的模型
从
下载数据和训练模型。
由于规模较大，我们不提供训练集的部分点云。
如果要训练模型，可以使用
和
生成它们。
我们为每个
CAD
模型生成
50
个局部点云。
4)
训练或验证
运行python3
val.py来验证模型或python3
train.py从头训练模型。
E
2023-02-24 12:37:19
5.01MB
1
【AAAI2023】视觉辅助的常识知识获取Visually Grounded Commonsense Knowledge Acquisition 论文源码。大规模的常识知识库为广泛的AI应用提供了能力，其中常识知识的自动提取(CKE)是一个基本和具有挑战性的问题。文本中的CKE因其固有的稀疏性和文本中常识的报道偏差而闻名。另一方面，视觉感知包含了丰富的关于现实世界实体的常识知识，如(人、能拿的东西、瓶子)，这可以作为获得基础常识知识的有前途的来源。在这项工作中，我们提出CLEVER，它将CKE描述为一个远端监督的多实例学习问题，其中模型学习从一组关于实体对的图像中总结常识关系，而不需要对图像实例进行任何人为注释。为了解决这一问题，CLEVER利用视觉语言预训练模型来深入理解袋子中的每个图像，并从袋子中选择信息实例，通过一种新颖的对比注意力机制来总结常识性的实体关系。综合实验结果表明，CLEVER方法能够较好地提取常识性知识，比基于语言模型的预训练方法提高了3.9个AUC点和6.4个mAUC点。预测的常识得分与人的判断具有较强的相关性，斯皮尔曼系数为0.78。提取出来的常识也可以根植于具
2022-12-01 17:27:51
42.1MB
1