实点云分类再审视：基于现实世界数据的新基准数据集与分类模型技术文档

实点云分类再审视：基于现实世界数据的新基准数据集与分类模型技术文档

scanobjectnn 项目地址: https://gitcode.com/gh_mirrors/sc/scanobjectnn

本技术文档旨在详细介绍《实点云分类再审视：基于现实世界数据的新基准数据集与分类模型》项目，由Mikaela Angelina Uy等人在ICCV 2019上提出，并发布了名为ScanObjectNN的数据集。本文档包含以下部分：安装指南、项目使用说明、API使用简述以及项目安装方式。

安装指南

为了使用本项目，需要确保以下软件包已安装：

• Python 3.5 及以上版本
• CUDA 已适配您的GPU
• TensorFlow 1.10
• h5py
• scipy
• sklearn

建议环境为Ubuntu 16.04，确保系统满足这些前提条件后，请按照以下步骤操作：

1. Python环境配置：推荐使用虚拟环境管理器如conda或venv创建一个隔离的环境。

2. 安装依赖项：在激活的环境中运行以下命令来安装必需的库：

   pip install tensorflow==1.10 h5py scipy sklearn
   

3. 编译特定代码：对于某些自定义运算符，需编译tf_ops。参照PointNet++项目中的说明，在pointnet2/和SpiderCNN/子目录下进行编译。

项目使用说明

数据准备

ScanObjectNN数据集提供多种变体，可以通过访问官方网站或提供的链接下载.h5文件和原始的.bin文件。确保下载对应的数据分割，例如主实验使用的h5_files.zipped，该文件包含了五种数据处理方式下的对象集。

训练与测试

1. 训练模型： 进入您想使用的模型文件夹（如pointnet2或dgcnn），并执行以下命令以开始训练：

   cd path/to/method_folder
   python train.py
   

   使用-h选项查看额外参数。

2. 模型评估： 对训练好的模型进行评估，命令如下：

   cd path/to/method_folder
   python evaluate_scenennobjects.py
   

   若涉及BGA模型，则使用相应的评估脚本。

3. 跨数据集评估： 可以评估模型在不同数据集上的泛化性能，比如从ModelNet训练并在ScanObjectNN上测试，反之亦然。

API使用文档

虽然该项目没有明确的API文档，但模型的训练和评估主要通过调用相应模块内的train.py和evaluate_*.py脚本来完成。具体方法取决于所选模型架构的实现细节，通常这些脚本会接受一系列命令行参数，控制如学习率、批次大小等关键训练设置。

项目安装方式

1. 克隆项目： 首先，从GitHub克隆项目仓库到本地。

   git clone https://github.com/hkust-vgd/scanobjectnn.git
   

2. 获取预训练模型（可选）： 项目提供了预训练模型，可通过指定链接下载，放置于正确位置以立即使用。

3. 数据准备与配置： 确保所有所需数据集文件已正确解压并按文档指示设置好路径。

至此，您已准备好探索和利用ScanObjectNN数据集及相关的深度学习模型，来进行3D点云的分类任务研究。

---

请注意，由于项目持续更新，上述信息可能随时间而变化。建议参考最新的项目README及官方文档以获取最准确的指导。

scanobjectnn 项目地址: https://gitcode.com/gh_mirrors/sc/scanobjectnn