解决：为何S3DIS数据集Area5中beam类iou一直为0.

最新推荐文章于 2025-04-28 10:32:15 发布
原创 最新推荐文章于 2025-04-28 10:32:15 发布 · 507 阅读 · 7 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习

问题

前段时间一直被困扰，为何beam类的结果这么差，还以为代码出了问题:

在这里插入图片描述

发现

后来在CBL论文里也发现了这个问题:
Area5结果
6折交叉验证结果

解谜

感觉应该是Area5 中beam的样本太少了，于是就去Area5 里查了一下，结果就是这样子：
首先看了正常样本(table为例)：
在这里插入图片描述
发现有154个文件用来标注，每个文件里有3000~46000个语义为桌子的点。
接下来再看看beam：
在这里插入图片描述
发现一共只有3个文件，总计加起来只有9497+9520+3410 = 22472个类别为beam的点。

定论

最低0.47元/天 解锁文章
点云数据集：S3DIS
QfcaLinux的博客
09-28 1043
S3DIS（Stanford Large-Scale 3D Indoor Spaces）是一个广泛使用的点云数据集，用于室内场景的三维分割和理解。在本文中，我们将介绍S3DIS数据集的特点，并提供一些相关的源代码示例。S3DIS数据集由斯坦福大学的研究人员创建，目的是为了推动室内场景的三维理解和分割研究。该数据集包含了室内环境的点云数据和语义标签，涵盖了六个不同的室内场景，包括办公室、会议室、楼梯、走廊等。S3DIS数据集的点云数据以及对应的语义标签提供了丰富的信息，可以用于室内场景的分割和理解。
点云数据集分享：S3DIS
AuSwift的博客
09-26 991
S3DIS数据集是一个重要的室内点云数据集，具有广泛的应用价值。通过合理地利用该数据集，我们可以开展室内场景理解、建筑物重建等研究，推动点云分析和室内场景应用的发展。通过对S3DIS数据集进行算法训练和测试，可以实现室内场景的语义分割、目标检测和区域分割等任务。我们将探讨该数据集的特点和用途，并提供相应的源代码示例，帮助读者更好地了解和利用该数据集。注：本文示例代码仅用于展示S3DIS数据集的使用方法，实际应用中需要根据具体任务和算法进行适当的修改和扩展。
点云语义分割:PointNet训练S3DIS数据集
zhaoguanhua的博客
12-22 4028
文章目录一、数据准备1.1、数据下载二、训练三、测试 项目地址:pointnet 此次我们是用pointnet网络来做语义分割。代码在pointnet项目中的sem_seg文件夹下，里面也有README.md介绍了训练的过程。 一、数据准备 1.1、数据下载 原始数据下载 处理好的h5格式数据下载 二、训练 三、测试 ...
【点云分割】常用数据集介绍—— S3DIS数据集
原来也有北瓜
08-09 5581
S3DIS（Stanford 3D Indoor Spaces Dataset）是一个常用的室内场景理解和三维语义分割数据集。它包含多个室内建筑物的点云数据和详细的语义标签。一些重要信息：（1）该点云是与x轴和y轴已经对齐好的；（2）该点云单个房间大概在几百万规模，整个区域的规模大概在千万。
Stanford点云公开数据集:S3DIS
Vertira的博客
06-30 3242
Stanford点云公开数据集:S3DIS
Pointnet语义分割任务S3DIS数据集上的注意点
热门推荐
Breeze
04-09 2万+
前言 Pointnet的网络结构和源码解释，已在之前写了次总结，本次主要针对论文中的数据集以.h5为TensorFlow的输入格式进行解释，记录如何将制作H5文件，以提供给TensorFlow，PyTorch框架中进行训练。 首先，Pointnet一文中针对三个不同的任务使用到了三个数据集，分别为： 点云分类（3D Object Classification）——ModelNet40，下载命令在...
深度学习 Unet 改进【融合CBAM边缘注意力机制和联合损失改进】：不同颜色水体图像分割数据集（3类图像分割任务）数据+代码+训练结果
04-17
代码通过命令行参数灵活配置，支持自定义输入尺寸、批次大小等超参数，能够自动分析掩码图像确定分割类别数，并保存最佳模型权重，为医学图像分割任务提供了完整的解决方案。 【改进策略】1.加入CBAM模块 2.采用多...
深度学习 Unet 实战分割项目、多尺度训练、多类别分割：腹部多脏器5类别分割数据集
02-04
数据集采用腹部多脏器5类别分割数据集 项目介绍：总大小137MB 1.train 脚本会自动训练，代码会自动将数据随机缩放为设定尺寸的0.5-1.5倍之间，实现多尺度训练。为了实现多分割项目，utils中的compute_gray函数会将...
ResUNet+SSPP+CAM+联合损失改进：腹部脊椎图像分割数据集（2类图像分割任务）
06-09
代码通过命令行参数灵活配置，支持自定义输入尺寸、批次大小等超参数，能够自动分析掩码图像确定分割类别数，并保存最佳模型权重，为医学图像分割任务提供了完整的解决方案。同事提供了美观的可视化推理界面，可以...
Pointnet语义分割任务S3DIS数据集
qq_37534947的博客
11-18 9169
文章目录1.前言2.数据集准备3.训练：4.测试：4.分割效果评价 1.前言 Pointnet的网络结构和源码解释，已在之前写了次总结，本次主要针对论文中的数据集以.h5为TensorFlow的输入格式进行解释，记录如何制作H5文件，以提供给TensorFlow，PyTorch框架中进行训练。 首先，Pointnet一文中针对3个不同的任务使用到了三个数据集，分别为： 点云分类（3D Object Classification）——ModelNet40，下载命令在provider.py中，运行pyt
matlab集成c代码-s3dis_semantic:在语义级别显示s3dis数据集
05-22
matlab集成c代码 S3DIS数据集解析 S3DIS数据集是斯坦福大学开发的带有像素级语义标注的语义数据集，包含了rgb，depth，3d点云、mesh等。 官网： github： 数据格式 还原点云数据有多种方式，可以通过直接解析自带的mat文件进行解析，也可以通过合成rgb和深度图进行解析。本文以Area_1数据为例。 1.直接解析pointcloud.mat文件 数据集自带的mat文件包含了每一label的点云坐标、rgb，标注、物体体积、是否占有能属性组成。数据结构如下： 该mat文件包含一个struct结构体，结构体又往下分级。 可以用python直接解析该mat文件，本人对python不太熟悉，因此最后采用了将该mat文件转化为json脚本的形式，通过c++进行解析。 通过matlab解析json非常简单，只需要下载安装一个插件JSONlab，对应链接： 添加到matlab的toolkit文件加中，再将路径添加进行即可。matlab程序如下： load('pointcloud.mat') name_ALL = Area_1.Disjoint_Space; for i=1
S3DIS 点云数据集 网盘链接
02-02
3d点云公开数据集
S3DIS配准版.zip
06-04
Stanford large-scale 3D Indoor Spaces Dataset (S3DIS)
S3DIS 数据集下载 (非百度网盘)
m0_62121252的博客
03-14 982
已经不可再用. 虽然可以通过百度网盘进行下载, 由于众所周知的原因, 我不可能从百度网盘快速地下载任何的文件 (即使我们的校园网免费且带宽极高).具体的内容这里就不做翻译了, 解决方法就是: 填写一个 Google 表单, 然后就能得到下载。所以鄙人觉得去外网上搜素看看, 有没有解决之道.
Ubuntu20.04复现算法RandLa-Net 数据集S3DIS
WH_G_Y的博客
04-28 989
最近在学习基于深度学习的点云分割算法，关注到牛津大学胡庆拥博士提出的RandLa-Net网络应用于城市级别的点云语义分割，所以想来复现一下。复现过程所参照的博文和代码如下（排序不分先后。没有各位大佬的分享，晚辈们必定寸步难行，感激不尽）
S3DIS 点云分割数据集
一千零一夜的博客
05-23 1885
S3DIS
S3DIS数据集学习笔记
weixin_47142735的博客
11-29 1万+
S3DIS是一个大型的3d室内数据集，关于它的介绍网上很多了。它主要是由xyz+rgb+法向量 9个特征 和一个标签组成的，长度为10的向量。 由于这个数据集比较大，不利于训练，PointNet++训练之前会将它进行预处理，划分为1mx1m的区域，然后再放入网络进行训练。 下面是关于它的代码分析，这个数据集运行的前提是，你已经按照PointNet++的readme运行了collect_indor3d_data，将txt文件转换为了.npy文件 class S3DISDataset(Dataset):
【亲测免费】 S3DIS场景点云数据集
gitblog_06552的博客
10-31 670
S3DIS场景点云数据集 【下载地址】S3DIS场景点云数据集分享 S3DIS（Stanford Large-Scale 3D Indoor Spaces Dataset）是一个大规模的三维室内空间数据集，广泛应用于点云分类、分割等领域。该数据集包含了多个室内环境的数据，如办公室、会议室等，提供了详细的点云数据和语义标签...
S3DIS场景点云数据集
这个人很蓝
05-11 1万+
S3DIS是常用的室内场景分割数据集，包含6个Area，常用的数据格式如下： Stanford3dDataset_v1.2_Aligned_Version，百度网盘下载，提取码0acs Stanford3dDataset_v1.2，百度网盘下载，提取码2hc9 indoor3d_sem_seg_hdf5_data，下载方法见PointNet Stanford3dDataset_v1.2_Aligned_Version和Stanford3dDataset_v1.2 Stanford3dDataset_v1
oneformer3d上使用s3dis数据集进行实例分割的方法，s3dis数据集需要怎么处理
最新发布
07-17
### 数据集预处理流程 在OneFormer3D框架中使用S3DIS数据集进行实例分割任务时，需要对原始数据进行一系列预处理步骤，以确保其格式与模型输入要求相匹配。以下是具体的预处理方法和文件组织方式： #### 文件结构与目录组织 S3DIS数据集通常包含多个房间的点云数据及其对应的语义和实例标签。为了适配OneFormer3D框架，需将数据整理为特定的目录结构。标准的S3DIS数据集经过预处理后应包含以下主要子目录和文件： - `points`: 存储每个房间的点云坐标、颜色等信息（如`.txt`或`.npy`格式）。 - `instance_mask`: 保存每个点的实例标签（如`.txt`或`.npy`格式）。 - `semantic_mask`: 保存每个点的语义类别标签（如`.txt`或`.npy`格式）。 - `super_points`: 超点信息，用于加速训练过程。 - `seg_info`: 包含训练过程中所需的辅助信息，例如类权重、重采样索引等。 这些文件的命名规则通常基于房间名称，例如`Area_1_office_1.bin`表示某个区域的办公室场景点云数据[^2]。 #### 点云数据转换 原始S3DIS数据通常以`.txt`格式存储，每一行包含一个点的坐标（x, y, z）、颜色（r, g, b）以及语义和实例标签。为了将其转换为适合OneFormer3D使用的格式，可以编写Python脚本将这些文本文件转换为二进制格式（如`.bin`），并同时生成对应的语义和实例掩码文件。示例代码如下： ```python import numpy as np def convert_txt_to_bin(txt_file, bin_file, semantic_file, instance_file): data = np.loadtxt(txt_file) points = data[:, :6] # x, y, z, r, g, b semantic_labels = data[:, 6].astype(np.int32) instance_labels = data[:, 7].astype(np.int32) # 保存点云数据为 .bin 格式 points.tofile(bin_file) # 保存语义和实例标签 np.save(semantic_file, semantic_labels) np.save(instance_file, instance_labels) # 示例调用 convert_txt_to_bin('Area_1_office_1.txt', 'points/Area_1_office_1.bin', 'semantic_mask/Area_1_office_1.npy', 'instance_mask/Area_1_office_1.npy') ``` 该脚本读取原始文本文件，并将点云坐标、颜色等信息写入`.bin`文件，同时将语义和实例标签分别保存为`.npy`文件[^2]。 #### 元数据生成 完成点云数据的转换后，下一步是生成训练所需的信息文件（如`*.pkl`）。这些文件通常包含所有样本的路径、类别分布、实例数量等元信息。OneFormer3D提供了一个工具脚本`create_data.py`，可用于自动生成这些文件。执行命令如下： ```bash python tools/create_data.py s3dis --root-path ./data/s3dis --out-dir ./data/s3dis --extra-tag s3dis ``` 此命令会根据指定的数据路径生成训练、验证和测试集的信息文件，如`s3dis_infos_train.pkl`、`s3dis_infos_val.pkl`等。这些文件在训练过程中被用于快速加载数据并计算损失函数所需的权重[^2]。 #### 数据增强与划分 在训练阶段，通常会对点云数据进行随机采样、旋转和平移等增强操作，以提高模型的泛化能力。OneFormer3D支持多种数据增强策略，用户可以通过配置文件启用相应的选项。此外，S3DIS数据集通常按区域划分（如Area_1至Area_6），其中5个区域用于训练，1个区域用于验证。这种划分方式有助于评估模型在不同场景下的表现。 #### 模型训练与评估 完成上述预处理步骤后，即可使用OneFormer3D框架进行实例分割任务。训练命令通常如下所示： ```bash python train.py --config configs/s3dis.yaml ``` 配置文件中定义了网络结构、优化器参数、数据加载器设置等内容。在训练过程中，模型会从预处理后的点云数据中学习特征，并预测每个点的语义类别和实例ID。最终的评估指标包括mAP（平均精度）和IoU（交并比），用于衡量模型在实例分割任务中的性能[^2]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值