dasha_f
6e1a22ba8b
assets/conveyors (274 МБ) - ленты и угловая секция NVIDIA, на которые ссылается сцена относительным путём. Раньше исключались как перекачиваемые, но без них сцена не композится из коробки. cv/ - код стереодвижков, которые вызывает control_test, без весов: * defom-stereo - рабочий бейзлайн (DEFOM vitl, вход 480, iters 24) * crestereo - второй движок, точнее по габаритам (MAE 23.5 против 32.8 мм) * fast-foundationstereo - проверялся, в бейзлайн не вошёл * circular_section.py - показатель кругового сечения, перенесён в measure_plane.py: выравнивает облако по СОБСТВЕННЫМ главным осям и режет на пяти высотах вдоль каждой. Три самодельные версии (мировые оси, одно сечение) давали хуже; результаты проверки на эталонной геометрии - в circular_section_results.json Веса по-прежнему не в репозитории - источники в MODELS.md. Наборы кадров прежних прогонов (cv/flow_*, 1.26 ГБ) исключены: это выход, а не исходники. Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
41 lines
1.8 KiB
Python
41 lines
1.8 KiB
Python
import math
|
|
import torch
|
|
from torch import nn
|
|
|
|
|
|
class PositionEncodingSine(nn.Module):
|
|
"""
|
|
This is a sinusoidal position encoding that generalized to 2-dimensional images
|
|
"""
|
|
|
|
def __init__(self, d_model, max_shape=(256, 256), temp_bug_fix=False):
|
|
"""
|
|
Args:
|
|
max_shape (tuple): for 1/8 featmap, the max length of 256 corresponds to 2048 pixels
|
|
temp_bug_fix (bool): As noted in this [issue](https://github.com/zju3dv/LoFTR/issues/41),
|
|
the original implementation of LoFTR includes a bug in the pos-enc impl, which has little impact
|
|
on the final performance. For now, we keep both impls for backward compatability.
|
|
We will remove the buggy impl after re-training all variants of our released models.
|
|
"""
|
|
super().__init__()
|
|
pe = torch.zeros((d_model, *max_shape))
|
|
y_position = torch.ones(max_shape).cumsum(0).float().unsqueeze(0)
|
|
x_position = torch.ones(max_shape).cumsum(1).float().unsqueeze(0)
|
|
if temp_bug_fix:
|
|
div_term = torch.exp(torch.arange(0, d_model//2, 2).float() * (-math.log(10000.0) / (d_model//2)))
|
|
else: # a buggy implementation (for backward compatability only)
|
|
div_term = torch.exp(torch.arange(0, d_model//2, 2).float() * (-math.log(10000.0) / d_model//2))
|
|
div_term = div_term[:, None, None] # [C//4, 1, 1]
|
|
pe[0::4, :, :] = torch.sin(x_position * div_term)
|
|
pe[1::4, :, :] = torch.cos(x_position * div_term)
|
|
pe[2::4, :, :] = torch.sin(y_position * div_term)
|
|
pe[3::4, :, :] = torch.cos(y_position * div_term)
|
|
|
|
self.register_buffer('pe', pe.unsqueeze(0), persistent=False) # [1, C, H, W]
|
|
|
|
def forward(self, x):
|
|
"""
|
|
Args:
|
|
x: [N, C, H, W]
|
|
"""
|
|
return x + self.pe[:, :, :x.size(2), :x.size(3)].to(x.device) |