Метрики, к сожалению не скажу, смотрела на рабочих данных. В любом случае, эта сеточка дала результаты даже визуально куда лучше, чем сети, основанные на CNN (смотрела PeNet, SemAttNet, NLSPN). Однако, данные тоже были специфичны, если сравнивать с KITTI на котором почти все обучались.
Да, такая проблема случается. Вероятно, можно попробовать такое уравнение для каждого пикселя по отдельности, а возможно, это приведет только к большим ошибкам или каким-то cлишком сложным регуляризациям матриц scale и shift 🤷♀️
Не смотря на то что сеть основана на Stable Diffusion, она все равно долговато генерит карты глубины (не изображения). Около 2к изображений могут предиктиться всю ночь. Ну и потом надо отлавливать галлюцинации, смотреть насколько они критичны для вашей задачи.
А, кстати, одно из преимуществ - то что изображения с лид.точками могут быть разного размера (но вместе одинакового). Например, другими сетками у меня были проблемы, что лид.точки нельзя просто так взять и растянуть (или ужать) под требуемый формат.
Спасибо за ваш комментарий! Пока что оставлю как есть, потому что для меня выстроена логичная цепочка. Плюс, в тесте не говорится, что ResNet ставили себе цель решить проблему затухающего градиента (хотя из текста так может показаться), однако, как следствие, решили. Я обдумаю как поправить этот момент. Еще раз, спасибо!
Искренне надеюсь, что кому-то пригодиться. Очень хорошая книга Морозова и Каленовой. Она служила основным источником. Так что можете обратиться, возможно, за более понятной информацией, туда.
❤️
Спасибо! Еще не обучала. Тестировала на случайных тезорах разных размерностей для того чтобы убедиться, что с размерностями на слоях все хорошо.
Метрики, к сожалению не скажу, смотрела на рабочих данных. В любом случае, эта сеточка дала результаты даже визуально куда лучше, чем сети, основанные на CNN (смотрела PeNet, SemAttNet, NLSPN). Однако, данные тоже были специфичны, если сравнивать с KITTI на котором почти все обучались.
Да, такая проблема случается. Вероятно, можно попробовать такое уравнение для каждого пикселя по отдельности, а возможно, это приведет только к большим ошибкам или каким-то cлишком сложным регуляризациям матриц scale и shift 🤷♀️
Не смотря на то что сеть основана на Stable Diffusion, она все равно долговато генерит карты глубины (не изображения). Около 2к изображений могут предиктиться всю ночь. Ну и потом надо отлавливать галлюцинации, смотреть насколько они критичны для вашей задачи.
А, кстати, одно из преимуществ - то что изображения с лид.точками могут быть разного размера (но вместе одинакового). Например, другими сетками у меня были проблемы, что лид.точки нельзя просто так взять и растянуть (или ужать) под требуемый формат.
Спасибо за ваш комментарий! Пока что оставлю как есть, потому что для меня выстроена логичная цепочка. Плюс, в тесте не говорится, что ResNet ставили себе цель решить проблему затухающего градиента (хотя из текста так может показаться), однако, как следствие, решили. Я обдумаю как поправить этот момент. Еще раз, спасибо!
Спасибо за ваш комментарий. Поправила картинку. Надеюсь, стало понятнее.
Вы говорите о проблеме холодного старта
Благодарю. Но чтобы ее написать (и про приведение нестационарных систем) в таком замечательном виде, мне потребовался год.
Искренне надеюсь, что кому-то пригодиться. Очень хорошая книга Морозова и Каленовой. Она служила основным источником. Так что можете обратиться, возможно, за более понятной информацией, туда.
Благодарю
Здравствуйте. Конечно они не будут совпадать. Мало того что мы спускаемся только по заданным взаимодействиям, так еще и градиентно (не точно).