如何读取2000年前锁死的碳化羊皮卷Vesuvius-Grandprize-Winner AI墨迹检测夺冠方案完整概览【免费下载链接】Vesuvius-Grandprize-Winner项目地址: https://gitcode.com/gh_mirrors/ve/Vesuvius-Grandprize-WinnerVesuvius-Grandprize-Winner 是「维苏威挑战赛」Vesuvius Challenge2023 年度大奖赛的第一名夺冠方案由 Youssef Nader、Luke Farritor 与 Julian Schilliger 团队提交。它用 AI 墨迹检测技术从庞贝火山灰烬中碳化、卷成焦炭的 2000 年前羊皮卷papyrus scroll内部读出古希腊文字。本文带你快速看懂它的夺冠原理与运行方式。维苏威挑战羊皮卷片段的 AI 墨迹检测标注inklabels为什么这件事难如登天公元 79 年维苏威火山喷发赫库兰尼姆城被火山灰掩埋。那里的羊皮卷比庞贝的更糟——不仅碳化还被挤压成扭曲的焦炭卷无法物理展开。X 射线断层扫描CT能看到卷内结构但碳墨与碳纸的密度差异极小肉眼几乎不可分辨。夺冠团队的核心洞察墨迹只在少数层位上可检测且需要把多个 CT 层当作视频帧一起看。夺冠方案三大核心技术技术组件作用对应文件TimeSformer Small时空注意力 Transformer最终主模型把 26 个 CT 层当 3D 视频做墨迹分割inference_timesformer.pyI3D 非局部块Non-Local Block视频 3D 卷积骨干捕捉层间连续性models/i3dallnl.pyResNet3D-101预训练权重多模型集成的第三路架构models/resnetall.py三个关键工程细节新手尤其值得关注数据集打磨了约 15 轮——从最早的几个字母标注到最终方案前反复扩充与清洗标签精度不断提升切块推理 高斯核融合整卷 CT 太大模型按 64×64 小块推理再用高斯核gkern加权融合消除拼接缝隙见inference_timesformer.py的predict_fnL310-L343;扭曲区域翻转校正对严重扭曲的片段自动翻转输入inference_timesformer.pyL135-L137保证墨迹方向一致。羊皮卷正面recto的完整 AI 墨迹检测标注结果一键部署最快配置方法方案基于 Docker内置 PyTorch 2.0.1 CUDA 11.7 环境并自动下载训练好的 TimeSformer 权重见 Dockerfile。克隆仓库后只需两步git clone https://gitcode.com/gh_mirrors/ve/Vesuvius-Grandprize-Winner cd Vesuvius-Grandprize-Winner docker build -t youssef_gp . docker run --gpus all --shm-size150g -it \ -v /your/path/to/train_scrolls:/workspace/train_scrolls youssef_gp⚠️ 注意推理需要 NVIDIA GPU。若使用已训练好的模型可直接加载权重跳过训练。数据准备只需两个脚本download.sh通过 rclone 从服务器拉取各片段的 CT 层数据prepare.py将all_labels/中的墨迹标注如20230530164535_inklabels.png分发到各片段目录并运行完整性校验run_sanity_checks。训练与推理命令速查# 用 TimeSformer 从零开始训练 python train_timesformer_og.py # 对指定片段做墨迹检测推理 python inference_timesformer.py \ --model_path timesformer_weights.ckpt \ --segment_path train_scrolls \ --segment_id 20231005123336推理输出为灰度 PNG越亮的像素表示该位置存在墨迹的概率越高。若想拼接多个片段得到更长的卷面全景可参考compose.py中的分片拼接配置其他架构I3D / ResNet3D的推理入口分别是64x64_256stride_i3d.py与inference_resnet3d.py。高分辨率片段的 AI 墨迹检测标注细节项目文件导览文件/目录说明inference_timesformer.py主模型推理入口切块 高斯核融合train_timesformer_og.py/train_timesformer_deduped.pyTimeSformer 训练脚本原版/去重版train_resnet3d.pyResNet3D-101 训练脚本infer.py/64x64_256stride_i3d.pyI3D 架构推理models/I3D 非局部块与 ResNet3D 模型定义all_labels/官方墨迹标注图recto / verso 全覆盖prepare.py/download.sh数据对齐与下载工具requirements.txt依赖PyTorch Lightning、Timesformer-pytorch 等这套方案能教给我们什么对刚入门 CV 的新手来说这个冠军仓库是一份难得的完整工程范本如何把多模态 3D 数据当视频处理、如何用切块推理解决大尺寸样本、如何用高斯核消除拼接伪影以及为什么数据清洗轮次15 轮本身就能成为夺冠的关键武器。读懂它你就掌握了从 CT 断层到可读古文字的完整 AI 考古链路——两千年前锁死的文字正在被深度学习逐字解锁。【免费下载链接】Vesuvius-Grandprize-Winner项目地址: https://gitcode.com/gh_mirrors/ve/Vesuvius-Grandprize-Winner创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 如何读取2000年前锁死的碳化羊皮卷：Vesuvius-Grandprize-Winner AI墨迹检测夺冠方案完整概览
如何读取2000年前锁死的碳化羊皮卷Vesuvius-Grandprize-Winner AI墨迹检测夺冠方案完整概览【免费下载链接】Vesuvius-Grandprize-Winner项目地址: https://gitcode.com/gh_mirrors/ve/Vesuvius-Grandprize-WinnerVesuvius-Grandprize-Winner 是「维苏威挑战赛」Vesuvius Challenge2023 年度大奖赛的第一名夺冠方案由 Youssef Nader、Luke Farritor 与 Julian Schilliger 团队提交。它用 AI 墨迹检测技术从庞贝火山灰烬中碳化、卷成焦炭的 2000 年前羊皮卷papyrus scroll内部读出古希腊文字。本文带你快速看懂它的夺冠原理与运行方式。维苏威挑战羊皮卷片段的 AI 墨迹检测标注inklabels为什么这件事难如登天公元 79 年维苏威火山喷发赫库兰尼姆城被火山灰掩埋。那里的羊皮卷比庞贝的更糟——不仅碳化还被挤压成扭曲的焦炭卷无法物理展开。X 射线断层扫描CT能看到卷内结构但碳墨与碳纸的密度差异极小肉眼几乎不可分辨。夺冠团队的核心洞察墨迹只在少数层位上可检测且需要把多个 CT 层当作视频帧一起看。夺冠方案三大核心技术技术组件作用对应文件TimeSformer Small时空注意力 Transformer最终主模型把 26 个 CT 层当 3D 视频做墨迹分割inference_timesformer.pyI3D 非局部块Non-Local Block视频 3D 卷积骨干捕捉层间连续性models/i3dallnl.pyResNet3D-101预训练权重多模型集成的第三路架构models/resnetall.py三个关键工程细节新手尤其值得关注数据集打磨了约 15 轮——从最早的几个字母标注到最终方案前反复扩充与清洗标签精度不断提升切块推理 高斯核融合整卷 CT 太大模型按 64×64 小块推理再用高斯核gkern加权融合消除拼接缝隙见inference_timesformer.py的predict_fnL310-L343;扭曲区域翻转校正对严重扭曲的片段自动翻转输入inference_timesformer.pyL135-L137保证墨迹方向一致。羊皮卷正面recto的完整 AI 墨迹检测标注结果一键部署最快配置方法方案基于 Docker内置 PyTorch 2.0.1 CUDA 11.7 环境并自动下载训练好的 TimeSformer 权重见 Dockerfile。克隆仓库后只需两步git clone https://gitcode.com/gh_mirrors/ve/Vesuvius-Grandprize-Winner cd Vesuvius-Grandprize-Winner docker build -t youssef_gp . docker run --gpus all --shm-size150g -it \ -v /your/path/to/train_scrolls:/workspace/train_scrolls youssef_gp⚠️ 注意推理需要 NVIDIA GPU。若使用已训练好的模型可直接加载权重跳过训练。数据准备只需两个脚本download.sh通过 rclone 从服务器拉取各片段的 CT 层数据prepare.py将all_labels/中的墨迹标注如20230530164535_inklabels.png分发到各片段目录并运行完整性校验run_sanity_checks。训练与推理命令速查# 用 TimeSformer 从零开始训练 python train_timesformer_og.py # 对指定片段做墨迹检测推理 python inference_timesformer.py \ --model_path timesformer_weights.ckpt \ --segment_path train_scrolls \ --segment_id 20231005123336推理输出为灰度 PNG越亮的像素表示该位置存在墨迹的概率越高。若想拼接多个片段得到更长的卷面全景可参考compose.py中的分片拼接配置其他架构I3D / ResNet3D的推理入口分别是64x64_256stride_i3d.py与inference_resnet3d.py。高分辨率片段的 AI 墨迹检测标注细节项目文件导览文件/目录说明inference_timesformer.py主模型推理入口切块 高斯核融合train_timesformer_og.py/train_timesformer_deduped.pyTimeSformer 训练脚本原版/去重版train_resnet3d.pyResNet3D-101 训练脚本infer.py/64x64_256stride_i3d.pyI3D 架构推理models/I3D 非局部块与 ResNet3D 模型定义all_labels/官方墨迹标注图recto / verso 全覆盖prepare.py/download.sh数据对齐与下载工具requirements.txt依赖PyTorch Lightning、Timesformer-pytorch 等这套方案能教给我们什么对刚入门 CV 的新手来说这个冠军仓库是一份难得的完整工程范本如何把多模态 3D 数据当视频处理、如何用切块推理解决大尺寸样本、如何用高斯核消除拼接伪影以及为什么数据清洗轮次15 轮本身就能成为夺冠的关键武器。读懂它你就掌握了从 CT 断层到可读古文字的完整 AI 考古链路——两千年前锁死的文字正在被深度学习逐字解锁。【免费下载链接】Vesuvius-Grandprize-Winner项目地址: https://gitcode.com/gh_mirrors/ve/Vesuvius-Grandprize-Winner创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考