D3Feat 项目使用教程

D3Feat 项目使用教程

D3Feat 项目地址: https://gitcode.com/gh_mirrors/d3/D3Feat

1. 项目介绍

D3Feat 是一个用于 3D 点云的密集特征检测和描述的开源项目。该项目基于 TensorFlow 实现，是 CVPR 2020 口头报告论文 "D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features" 的官方实现。D3Feat 通过一个 3D 全卷积网络，联合学习 3D 点云的密集特征检测和描述，旨在提高 3D 点云配准的准确性和效率。

2. 项目快速启动

2.1 环境准备

首先，创建并激活 Conda 环境，并安装所需的库：

conda env create -f environment.yml
conda activate d3feat

2.2 编译自定义 TensorFlow 操作符

在 tf_custom_ops 文件夹中打开终端，并运行以下命令：

sh compile_op.sh

2.3 编译 C++ 扩展模块

在 cpp_wrappers 文件夹中打开终端，并运行以下命令：

sh compile_wrappers.sh

2.4 运行演示

提供了一个小演示，用于提取两个点云的密集特征和检测分数，并使用 RANSAC 进行配准。运行以下命令：

python demo_registration.py

该脚本将计算 3DMatch 数据集上发布的权重描述符和检测分数，并将它们保存为 .npz 文件。然后使用这些描述符估计刚体变换参数，并显示初始状态和配准状态的可视化结果。

3. 应用案例和最佳实践

3.1 3DMatch 数据集上的训练和测试

在 3DMatch 数据集上进行训练：

python training_3dmatch.py

使用预训练模型在 3DMatch 数据集上进行测试：

python test_3dmatch.py

3.2 KITTI 数据集上的训练和测试

在 KITTI 数据集上进行训练：

python training_KITTI.py

在 KITTI 数据集上进行测试：

python test_KITTI.py

3.3 关键点重复性评估

生成描述符和检测分数后，可以计算关键点重复性：

cd repeatability/
python evaluate_3dmatch_our.py D3Feat [timestr of the model]

或

cd repeatability/
python evaluate_kitti_our.py D3Feat [timestr of the model]

4. 典型生态项目

4.1 KPConv

D3Feat 项目借鉴了 KPConv 的代码结构和部分实现，KPConv 是一个用于点云处理的卷积网络，适用于各种 3D 点云任务。

4.2 FCGF

在 KITTI 数据集的处理中，D3Feat 参考了 FCGF 的预处理方法和评估代码，FCGF 是一个用于 3D 点云特征提取的快速卷积网络。

4.3 PerfectMatch

在 ETH 数据集的评估中，D3Feat 参考了 PerfectMatch 的实现细节，PerfectMatch 是一个用于点云配准的高精度算法。

通过这些生态项目的结合，D3Feat 在 3D 点云处理领域展现了强大的性能和广泛的应用潜力。

D3Feat 项目地址: https://gitcode.com/gh_mirrors/d3/D3Feat