机器学习笔记 - 用于3D点云数据分类的Point Net的训练

最新推荐文章于 2025-04-08 16:40:59 发布
最新推荐文章于 2025-04-08 16:40:59 发布
阅读量409 收藏 1
点赞数
分类专栏： 深度学习从入门到精通 文章标签： 3D点云 Point Net 深度学习 计算机视觉 ShapeNet
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。
本文链接：https://blog.youkuaiyun.com/bashendixie5/article/details/139632018
版权

一、数据集

        ShapeNet 是一项持续不断的努力，旨在建立一个注释丰富的大型 3D 形状数据集。我们为世界各地的研究人员提供这些数据，以支持计算机图形学、计算机视觉、机器人技术和其他相关学科的研究。ShapeNet 是普林斯顿大学、斯坦福大学和 TTIC 研究人员的合作成果。

ShapeNetShapeNeticon-default.png?t=N7T8https://shapenet.org/        如果您使用Colab，则可以运行以下代码来获取数据，会下载很久。

!wget -nv https://shapenet.cs.stanford.edu/ericyi/shapenetcore_partanno_segmentation_benchmark_v0.zip --no-check-certificate 
!unzip shapenetcore_par
了解本专栏 订阅专栏 解锁全文
机器学习笔记 - 用于3D点云数据分割的Point Net的训练
学以致用 知行合一
06-16 415
当说到语义分割时，首先会想到图像，因为它是识别给定图像中每个像素的概念。分割可以推广到高维空间，对于 3D 点云，它是为每个 3D 点分配一个类的概念。为了更好地理解这个问题由什么组成，我们应该很好地理解点云实际上是什么。每个类（杂乱的点除外）都有独特且一致的结构。例如，墙壁、地板和天花板是平坦且连续的平面；诸如椅子和书柜之类的东西也应该在许多不同区域具有相同的结构。我们希望我们的模型能够以一定程度的准确性识别不同类别的不同结构。我们需要构建一个损失函数来引导我们的模型以有用的方式学习这些结构。
机器学习笔记 - 用于3D数据分类、分割的Point Net简述
学以致用 知行合一
06-12 936
在本文中，我们将了解Point Net，目前，处理图像数据的方法有很多。从传统的计算机视觉方法到使用卷积神经网络到Transformer方法，几乎任何 2D 图像应用都会有某种现有的方法。然而，当涉及到 3D 数据时，现成的工具和方法并不那么丰富。3D 空间中一个工具就是Point Net。点网是一种新型的神经网络，直接使用整个点云。它可以对输入点云进行分类，执行语义分割，甚至部分分割。理解点网如何有效完成多项任务的关键在于，它能够提取点云的局部和全局特征， 而不管方向如何。
三维点云数据集汇总（分类+检测+识别）
3D视觉工坊
12-22 6300
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨深蓝学院@知乎来源丨https://zhuanlan.zhihu.com/p/445283508编辑丨3D视觉工坊1.The S...
三维点云数据库
qq_47818101的博客
11-12 1119
深度学习算法研究与开发离不开数据库，在这里对较为常用的点云三维数据库作整理，以便后续研究使用过程。这里将开源点云三维数据库分为两类：室外三维数据集和室内三维数据集。
用PointNet++训练自己的数据集（语义分割模型semseg）
最新发布
qq_15243129的博客
04-08 1709
（1）训练部件分割（partseg）模型和检测自己点云并将结果保存txt，请看博主上两篇文章（2）本文背景是将pipe点云上的缺陷和本体检测出来，即1种语义场景（pipe），2种类别（body和quexian）。
3D点云目标检测：Centerformer训练waymo数据集
zhaoguanhua的博客
09-18 2763
编译正确的输出如下图，bazel-bin/waymo_open_dataset/metrics/tools/compute_detection_metrics_main就是编译得到的检测精度评估工具。得到模型精度指标有两种方式，一种是提交到waymo官方网站进行评估，第二种是在本地进行评估。然后执行语句，编译时间特别长，我差不多用了一个多小时，如何能够翻墙应该会很快，编译正确的截图忘记保存了。模型训练结束后在work_dir/waymo_centerformer目录下可以看到保存的结果。
PointNet++点云处理精讲(PyTorch)
08-11
三维点云是物理世界的三维数据表达形式，其应用日益广泛，如自动驾驶、AR/VR、FaceID等。PointNet网络模型是直接对三维点云数据进行深度学习的开山之作，PointNet++是对PointNet的改进技术。作为点云处理深度学习方法的里程碑工作，启发了很多后续研究。本课程对PyTorch版的PointNet++进行原理讲解、论文复现和代码详解。包括：  （1）提供三维点云物体分类数据集ModelNet40、物体部件分割数据集ShapeNet和场景分割数据集S3DIS的下载、可视化软件和方法；（2）在Ubuntu系统上演示使用PointNet++进行三维点云的物体分类、部件分割和场景语义分割的训练和测试；（3）详解PointNet++的原理、程序代码和实现细节，并使用PyCharm进行Debug调试代码和单步跟踪。需要学习TensorFlow版PointNet++的学员可前往本人推出了课程《PointNet++点云处理TensorFlow版》
pointNet训练预测自己的数据集Charles版本(二）
jiugeshao的专栏
06-26 3128
这边博主只做3种标签，桌面像素打标签为0，书本打标签1，帽子打标签为2，杯子碗一类的打标签为3。先对点云使用如上的剪刀工具，把点云分割成桌面点云和碗两部分点云，然后点击工具栏的“+”符号。01.label是标注数据，01.ply是点云数据，其它类似，可看到点云和标注数据是分离开来的，这边博主手写了如下脚本来合并01.label和01.ply文件，以将label中数据作为Scalar field。然后保存桌子点云到本地磁盘上， 其它点云文件(ply）文件类似，从中只获得桌子的点云。
机器学习笔记 - 用于3D数据分类、分割的Point Net的网络实现
学以致用 知行合一
06-12 412
T-net上一篇，我们大致了解了Point Net的原理，这里我们要进行一下实现。机器学习笔记 - 用于3D数据分类、分割的Point Net简述-优快云博客文章浏览阅读3次。在本文中，我们将了解Point Net，目前，处理图像数据的方法有很多。从传统的计算机视觉方法到使用卷积神经网络到Transformer方法，几乎任何 2D 图像应用都会有某种现有的方法。然而，当涉及到 3D 数据时，现成的工具和方法并不那么丰富。3D 空间中一个工具就是Point Net。
ros-pcl-ml：用于点云处理的ros wiut pcl和用于对象识别的机器学习方法
02-14
7. **数据集**（Datasets）：用于训练和测试机器学习模型的点云数据集，可能包括标注信息。 8. **模型文件**（Models）：存储训练好的机器学习模型，如权重文件和模型结构描述。 9. **文档**（Documentation）：项目...
pointnet语义分割_训练并预测自己的数据
taifyang的博客
04-05 1万+
没想到吧。。时隔一年我又回来了。这一年因为一些原因放弃了一些东西，也学到了一些东西。 这几天想用深度学习做一下点云的分割试验，网上搜了一下相关标题的blog有很多，但大部分只是简单的介绍文章内容，干活并不多。经过五天的摸索，在缺乏相关资料和帮助的情况下，本人大致搞清楚了pointnet进行sem_seg的流程。可能步骤存在问题甚至是错的，因为也没有人交流，但从试验结果看来还行。 欢迎阅读我的其他文章： windows下运行pointnet（全） windows下运行pointcnn 训练 首先准备自己的数据
PointNet++点云处理TensorFlow版
08-29
三维点云是物理世界的三维数据表达形式，其应用日益广泛，如自动驾驶、AR/VR、FaceID等。PointNet网络模型是直接对三维点云数据进行深度学习的开山之作，PointNet++是对PointNet的改进技术。PointNet++是点云处理深度学习里程碑式的工作，启发了很多后续研究。 原作的PointNet++代码使用Python2.7和tensorflow1.4。本课程将PointNet++代码更新至Python3并在tensorflow1.13上演示。  本课程对TensorFlow版的PointNet++进行原理讲解、论文复现和代码详解。包括：   （1）提供三维点云数据集ModelNet40、ShapeNet和Scannet的下载、可视化软件和方法； （2）在Ubuntu系统上演示使用PointNet++进行三维点云的物体分类、部件分割和场景语义分割的训练和测试； （3）详解PointNet++的原理、程序代码和实现细节，并使用PyCharm进行Debug调试代码和单步跟踪。
从零搭建运行Pytorch版pointNet++模型全流程及个性化数据集训练测试可视化
funfan的博客
08-04 8233
从零搭建运行Pytorch版pointNet++模型全流程及个性化数据集训练测试可视化
基于pointNet++模型的个性化数据集训练测试及可视化[附源码]_cloudcompare pointnet
2401_84182793的博客
04-08 1346
除了分类点云数据外，还需要一些记录点云数据文件路径、类别、训练集、测试集的配置文件。（1）filelist.txt记录了点云数据的相对文件路径（2）modelnet40_shape_names.txt记录了全部类别（3）modelnet40_train.txt记录了从数据集中划分的训练集（4）modelnet40_test.txt记录了从数据集中划分的测试集。
PointNet++训练自己的数据集并完成可视化并保存txt结果
qq_15243129的博客
03-12 1729
利用自己训练的pointNet++网络实现检测可视化、保存txt文本
pointnet++代码实现并训练自己的数据集
chengle的博客
06-20 8626
arXiv论文地址 项目网页 pointnet++代码地址 安装pointnet++ 1.安装TensorFlow 安装TensorFlow，pointnet++使用的是TensorFlow1.0早期版本，经过多次编译失败以及bug，最终测试1.13.1版本，对应cuda10.0，cudnn7.4.具体查看页面 2.安装必要库 tensorflow-gpu==1.13.1 plyfile==0.7.3 numpy==1.16.4 scipy==1.5.2 opencv-python==4.5.2.5.
什么是训练数据
热门推荐
sparkapi的博客
02-24 2万+
众所周知，机器处理和存储知识的速度比人类快很多。但是我们如何最大限度的利用机器让他们来处理一些“智能任务”呢？这个问题的答案是：用和这些智能任务相关的数据来“喂养”机器，让机器从这些数据中学习。这些相关的数据又称为训练数据。机器学习的模型和儿童学习的方式类似。回想一下当一个孩子观察一个新事物时，比如当天第一次观察一只狗时，他会得到这个场景中的一些反馈比如记住这种狗的特征如有毛，两只眼睛，一只尾巴等...
Pointnet++内Partseg分割网络训练自己的数据集
m0_67690830的博客
07-23 1830
Pointnet++中cls代表分类，对应数据集（ModelNet）；partseg代表零件分割，对应数据集（ShapeNet）；semseg（semantic segmentation）代表场景分割，对应数据集（S3DIS）。任务描述：用于将一个复杂物体分割成其组成部分，例如，对飞机模型，将机翼、机身和尾翼等部分分开标注。目标：识别和区分出每个具体部分，这些部分是整个物体的组成单元。应用场景：用于CAD模型分析，机器人抓取等。
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

打赏作者

坐望云起

如果觉得有用，请不吝打赏

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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