PTT數位生活區 / DataScience

[問題] 圖片形變相關的模型?

看板DataScience作者 (片翼碎夢)時間1年前 (2023/09/13 13:10), 編輯推噓3(3推 0噓 60→)
留言63則, 7人參與, 1年前最新討論串1/1
如題 在想是不是有對同一地點航空照進行矯正的現成模型 比如說要研究地層下陷或地形變化 但又不能保證這次和上次拍的照片角度和光線一樣 所以在做比較前要先用之前的照片當基準做照片的修復 不知道有沒有這種模型 先謝謝各位先進了 -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 42.77.227.248 (臺灣) ※ 文章網址: https://www.ptt.cc/bbs/DataScience/M.1694581818.A.F94.html
→
09/13 13:15, 1年前 , 1F
我知道有itk-snap 可是這個好像是三維的也查不太到
09/13 13:15, 1F
→
09/13 13:15, 1年前 , 2F
它背後的演算邏輯 不知道有沒有專門做二維圖像的?
09/13 13:15, 2F
→
09/13 13:15, 1年前 , 3F
自己有嘗試過用cv2的sift演算法去抓特徵不過抓出來
09/13 13:15, 3F
→
09/13 13:15, 1年前 , 4F
不太理想
09/13 13:15, 4F
→
09/13 16:06, 1年前 , 5F
光線我沒想法，但是在三維重建我們會用 Multi-View
09/13 16:06, 5F
→
09/13 16:06, 1年前 , 6F
你應該找 HDR 之類的關鍵字可以找得到
09/13 16:06, 6F
→
09/13 16:10, 1年前 , 7F
我之前有讀過一篇關於二/三維模型融合的
09/13 16:10, 7F
→
09/13 16:10, 1年前 , 8F
09/13 16:10, 8F
→
09/13 16:10, 1年前 , 9F
如果對你有幫助的話就太好了
09/13 16:10, 9F
→
09/13 16:51, 1年前 , 10F
謝謝大大 其實我是要找二維的
09/13 16:51, 10F
→
09/13 16:52, 1年前 , 11F
光線這個舉例看來是不好
09/13 16:52, 11F
→
09/13 16:59, 1年前 , 12F
面臨的狀況是二維陣列構成的照片A和B 要用A當基準去
09/13 16:59, 12F
→
09/13 16:59, 1年前 , 13F
修復B B看起來可能有整體位移+局部扭曲 本來應該是
09/13 16:59, 13F
→
09/13 16:59, 1年前 , 14F
一般的拼接就可以處理 可是又有局部扭曲的問題要處
09/13 16:59, 14F
→
09/13 16:59, 1年前 , 15F
理 有查到這種局部扭曲的話要用變形場去看的樣子 不
09/13 16:59, 15F
→
09/13 16:59, 1年前 , 16F
過我只查到怎麼去弄變形場（還是nii這種3維類型的資
09/13 16:59, 16F
→
09/13 16:59, 1年前 , 17F
料 所以也還沒法把這一步完全實作出來）而且沒看到
09/13 16:59, 17F
→
09/13 16:59, 1年前 , 18F
怎麼重建
09/13 16:59, 18F
→
09/13 17:00, 1年前 , 19F
因為可能有涉及保密問題我只能講得這麼含糊 對大大
09/13 17:00, 19F
→
09/13 17:00, 1年前 , 20F
感到很抱歉
09/13 17:00, 20F
推
09/13 17:29, 1年前 , 21F
沒事，我在解工作上的問題也常常有這種困擾啊哈哈哈
09/13 17:29, 21F
→
09/13 17:38, 1年前 , 22F
感謝大大體諒QAQ
09/13 17:38, 22F
→
09/13 17:44, 1年前 , 23F
抓地標然後對圖片線性轉換來對齊
09/13 17:44, 23F
→
09/13 17:44, 1年前 , 24F
這樣做的前提是空拍角度不能差太多
09/13 17:44, 24F
→
09/13 17:45, 1年前 , 25F
找出地標的向量資訊之後這題就不難
09/13 17:45, 25F
→
09/13 17:46, 1年前 , 26F
比對的部分你要傳統cv或深度分割都行
09/13 17:46, 26F
→
09/13 17:59, 1年前 , 27F
謝謝c大
09/13 17:59, 27F
→
09/13 17:59, 1年前 , 28F
可以再問傳統cv是甚麼嗎 我不太確定這個和機器學習
09/13 17:59, 28F
→
09/13 17:59, 1年前 , 29F
的cross validation是不是指同一件事? 深度分割指的
09/13 17:59, 29F
→
09/13 18:00, 1年前 , 30F
是像skimage的segmentation 和 restoration?
09/13 18:00, 30F
→
09/13 18:01, 1年前 , 31F
大大考慮的角度 兩張圖是不會差太多
09/13 18:01, 31F
→
09/13 20:58, 1年前 , 32F
computer vision
09/13 20:58, 32F
→
09/13 21:59, 1年前 , 33F
在用opencv都沒想過cv代表什麼嗎w
09/13 21:59, 33F
→
09/14 15:13, 1年前 , 34F
謝謝C大
09/14 15:13, 34F
→
09/14 15:13, 1年前 , 35F
真的沒去查過這點……
09/14 15:13, 35F
推
09/14 19:01, 1年前 , 36F
character voice
09/14 19:01, 36F
→
09/14 19:01, 1年前 , 37F
聲優啦聲優，我們都是開放式聲優
09/14 19:01, 37F
推
09/16 04:20, 1年前 , 38F
弄成正射影像不行嗎？
09/16 04:20, 38F
→
09/27 16:57, 1年前 , 39F
Alignment + change detection
09/27 16:57, 39F
→
09/29 00:16, 1年前 , 40F
image registration?
09/29 00:16, 40F
→
09/29 00:17, 1年前 , 41F
09/29 00:17, 41F
→
09/30 18:47, 1年前 , 42F
上面兩樓的大大提的感覺都有關係
09/30 18:47, 42F
→
09/30 18:48, 1年前 , 43F
registration 之前用超像素分割來用失敗了不知道cnn
09/30 18:48, 43F
→
09/30 18:48, 1年前 , 44F
弄下去會不會好點
09/30 18:48, 44F
→
09/30 22:22, 1年前 , 45F
找SOTA,上面這篇算古老了,voxelmorph系列看看
09/30 22:22, 45F
→
10/01 02:31, 1年前 , 46F
t大 我看有人用minst來示範 不過voxelmorph預訓練好
10/01 02:31, 46F
→
10/01 02:31, 1年前 , 47F
像只有提供3d的資料？
10/01 02:31, 47F
→
10/01 22:51, 1年前 , 48F
沒差~~你的資料比較特別, 我覺得基本上是要重頭TRAIN
10/01 22:51, 48F
→
10/02 10:26, 1年前 , 49F
資料量可能不太夠 所以我在看能不能先從預訓開始 理
10/02 10:26, 49F
→
10/02 10:26, 1年前 , 50F
論上是要讓機器學習"變形"這個概念（我的理解是這跟
10/02 10:26, 50F
→
10/02 10:26, 1年前 , 51F
孿生網路應該是類似的狀況 孿生網路訓練是訓練出何
10/02 10:26, 51F
→
10/02 10:26, 1年前 , 52F
謂"相似"’） 所以我在看能不能拿一般的預訓模型起
10/02 10:26, 52F
→
10/02 10:26, 1年前 , 53F
步 甚至拿醫療資料硬改成灰階2D來做訓練 希望能成功
10/02 10:26, 53F
→
10/02 10:26, 1年前 , 54F
吧
10/02 10:26, 54F
→
10/02 10:27, 1年前 , 55F
話說這個做augmentation 也一樣有用嗎？
10/02 10:27, 55F
→
10/02 10:30, 1年前 , 56F
畢竟牽涉變形 不知道augmentation會不會破壞原本的
10/02 10:30, 56F
→
10/02 10:30, 1年前 , 57F
變形特性
10/02 10:30, 57F
→
10/02 10:35, 1年前 , 58F
我知道這聽起來和我想拿別的資料來預訓的想法蠻矛盾
10/02 10:35, 58F
→
10/02 10:35, 1年前 , 59F
的
10/02 10:35, 59F
→
10/02 10:36, 1年前 , 60F
……
10/02 10:36, 60F
→
10/03 21:25, 1年前 , 61F
如果期望方式是試2D+pretrian ,那下面這種樹看下吧
10/03 21:25, 61F
→
10/03 21:27, 1年前 , 62F
10/03 21:27, 62F
→
10/04 19:53, 1年前 , 63F
感謝
10/04 19:53, 63F
‣ 更多 fragmentwing 的文章
文章代碼(AID): #1b0KGw-K (DataScience)
DataScience 近期熱門文章
更多 近期熱門文章 >>
PTT數位生活區 即時熱門文章
更多 即時熱門文章 >>
‣ 更多 fragmentwing 的文章
文章代碼(AID): #1b0KGw-K (DataScience)