CvxNet: Can an autoencoder reconstruct an image exactly?
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 5/5
- Tiempo estimado
- Más de una semana
- Aptitud para principiantes
- 25/100
- Tipo de issue
- Error
- Claridad
- Necesita aclaración
- Estado de actividad
- Estancado
- Stack tecnológico
- python
Línea de trabajo
Comience con la discusión sobre el autoencoder CvxNet y la Figure 3 de la página 4; después, compare el comportamiento descrito para una sola imagen y para varias imágenes utilizando los parámetros indicados. El trabajo se considerará terminado cuando se determine si se demostró una reconstrucción exacta y se aclare por qué las formas rectangulares se restauran deficientemente en varias imágenes de entrenamiento.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
Hi!
Thank you for your work!
In the paper I see that you show examples where 2D b/w images are used as the autoencoder input (Figure 3, page 4), so as the output you have object exactly reconstructed by the half-planes (lines in 2D space).
Tell me, please, whether such experiments were carried out? Does the network actually restore the shape exactly?
I am interested in this for the reason that I decided to conduct similar experiments for my own purposes (with 2d b/w images with oriented rectangles along the coordinate axes, one rectangle per image), but I can't train the network. For one image, the network is trained well (and work on this example well), but if I train it using multiple images, the predictions (even on the training sample) in most cases are very bad at restoring the shape of rectangles.
It seems like it should work.
Some parameters I use:
n_half_planes = 15 # with a margin, although the rectangle has only 4 sides
n_parts = 1 # one rectangle per image
dims = 2 # b/w images
lr = 1e-4
latent_size = 10
Also, I use more light backbone.
- Lenguaje dominante
- Python
- Estrellas
- 2.8k
- Forks
- 374
- Merge medio
- 5 d 9 h
- PR fusionados (30 d)
- 1
Preparar el entorno
- Sin Dockerfile ni archivo de Docker Compose
- Sin plantilla de pull request
- Leer la guía de contribución
Primeros pasos
- Lee el issue completo y luego la guía de contribución del proyecto.
- Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
- Haz un fork del repositorio y trabaja en una rama.
- Abre un pull request que haga referencia al número del issue.
Más de tensorflow/graphics
-
Dificultad 1/5 Menos de una hora Aptitud para principiantes 62/100
tensorflow/graphics#468 ·
-
Missing TFRecord Generation Script/Instructions for projects/points_to_3Dobjects (CVPR 2021)Abierto
Dificultad 5/5 Más de una semana Aptitud para principiantes 25/100
tensorflow/graphics#5337 ·
-
Attribute Error in the models.pyAbierto
Dificultad 3/5 1-2 días Aptitud para principiantes 25/100
tensorflow/graphics#730 ·
-
Dificultad 4/5 3-5 días Aptitud para principiantes 35/100
tensorflow/graphics#729 ·
-
Dificultad 5/5 Más de una semana Aptitud para principiantes 10/100
tensorflow/graphics#724 ·
Todos los issues de tensorflow/graphics
Issues similares
-
`destroy` sans terminal répond « Aborted. » au lieu de réclamer `--yes` comme `clean` et `reset`Abiertobug
Dificultad 2/5 1-3 horas Aptitud para principiantes 85/100
stephrobert/dsoxlab#354 ·
Los mantenedores suelen responder en 1 día
-
hardware help wanted testing
Dificultad 2/5 1-3 horas Aptitud para principiantes 62/100
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 77/100
jasonacox/pypowerwall#472 ·
Los mantenedores suelen responder en 1 día
-
[Bug]: DoubleMLRDDData accepts a score_col that is no data column (as in its docstring example); the running variable then becomes a covariate and RDFlex failsPosiblemente ocupada @vrjdev la tomó hoy. Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 78/100
DoubleML/doubleml-for-py#455 ·
Los mantenedores suelen responder en 1 día
-
[Bug]: Python mod.Box[T] annotation gets a false generic_arg edge that replaces the parameter_type one ('is' on tree-sitter nodes)Posiblemente ocupada @rohit-jsfreaky la tomó hoy. Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 88/100
Graphify-Labs/graphify#5110 · 1 comentario ·
Los mantenedores suelen responder en 2 días