PointCNN代码组织结构分析——以分割为例

最新推荐文章于 2023-09-25 01:00:11 发布
原创 最新推荐文章于 2023-09-25 01:00:11 发布 · 2.9k 阅读 · 4 ·
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：

#point cloud #pointcnn #deep learning

本文介绍了PointCNN在分割任务中的代码组织结构，通过Semantic3D数据集的处理步骤，包括数据下载、解压、切分、格式转换和训练，展示了其代码的可移植性和高效性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

初次用PointCNN的同学，容易看不太懂它的代码结构。

我们从README.md开始看起。

以分割任务中的Semantic3D数据为例：

 

 

 cd data_conversions#  

bash download_semantic3d.sh  bash un7z_semantic3d.sh  mkdir ../../data/semantic3d/val  #建了一个验证集，把四个数据放了进去。  

mv ../../data/semantic3d/train/bildstein_station3_xyz_intensity_rgb.* ../../data/semantic3d/train/domfountain_station2_xyz_intensity_rgb.* ../../data/semantic3d/train/sg27_station4_intensity_rgb.* ../../data/semantic3d/train/untermaederbrunnen_station3_xyz_intensity_rgb.* ../../data/semantic3d/val  

cd split_data  python3 semantic3d_split.py  

cd ..  python3 prep

最低0.47元/天 解锁文章

200万优质内容无限畅学
语义分割网络系列——FCN，全卷积网络
新兴IT民工的专栏
11-09 2165
这个专栏的前面一些文章，已经设计到了图像网络，或者说机器视觉的两个主要任务：分类和检测。现在来说说另外一个任务：分割(Segmentation)。一般来说，分类相对比较简单一点，通过一个基础网络(backbone)就可以完成任务，从LeNet，AlexNet，到ResNet，SENet等，都是通过基础网络完成分类任务。在分类网络的基础上，加上一些detector head，比如RCNN引入的ROI Pooling，RPN等；YOLO1-5引入的回归，anchor等。就可以完成目标检测的任务。
PointRCNN1_语义分割_pointrcnn_
10-04
在点云的数据集上，通过该算法能够实现对物体的语义分割。
PointCNN：Convolution On X-Transformed Points
qq_51221943的博客
01-28 4632
PointCNN: 经过X变换后的点的卷积 摘要总结 我们提出一种从点云中学习特征的通用框架。CNN网络成功的关键是卷积操作，它可以利用网格中密集数据在局部空间上的相关性（比如：图片）。然而，点云是不规律且无序的，因此，直接对点的特征进行卷积，会导致形状信息和点排列多样性的损失。我们提出通过在输入点云中学习X-转换，以此改善两个问题：（1）输入点特征的权重（2）将点排列为潜在、规范的顺序。我们将典型卷积操作符的乘与和运算，应用在X-转换后的特征上。 介绍总结 局部空间相关性是在多种数据普遍存在的性质，独立于
【点云】PointCNN: Convolution On X-Transformed Points
qq_40731332的博客
03-31 1471
测试 在Semantic3D上跑了PointCNN，完整训练大概需要10天，但在第4天左右，Acc和mAcc折线就在某个水平位置开始震荡，个人觉得之后的训练处于一种过拟合的状态。选取mAcc最好的一组模型在reduce上做了测试，结果综合排名18，不是很理想，（1）PointCNN在Semantic3D上本身表现不佳；（2）师兄提示可能和验证集有关，导致筛选出来的模型并不是最优的（因为Seman...
PointCNN
ylwhxht的博客
11-18 246
PointCNN Key Knowledgeable： Hierarchical Convolution： 参考图像卷积，进行多次卷积，提取深层信息。 χ-Conv Operator： 根据邻近点坐标信息进行相对位置编码，分别使用MLP学习特征信息F与变换矩阵χ。使用变换矩阵χ变换特征信息矩阵F得到Fχ，最后再对Fχ进行卷积。 Tips：使用采样膨胀D倍邻近点扩大特征的感受野，利于网络训练。 3.χ-Conv dilation rate 使用采样膨胀D倍邻近点扩大特征的感受野，在KD个邻近点内采样K.
PointCNN程序简介
luthor_lee的博客
10-09 2145
摘要： 简单介绍PointCNN程序具体代码(以modelnet40的分类为例），PointCNN程序调试与运行在此篇博客中有介绍。 数据准备： 数据下载在download_datasets.py中，用于下载modelnet40的主要为这一行 download_and_unzip('https://shapenet.cs.stanford.edu/media/modelnet40_ply...
pointnet分割自己的点云数据_3D点云数据分析：pointNet++论文分析及阅读笔记
weixin_39977136的博客
01-28 983
PointNet的缺点：PointNet不捕获由度量空间点引起的局部结构，限制了它识别细粒度图案和泛化到复杂场景的能力。利用度量空间距离，我们的网络能够通过增加上下文尺度来学习局部特征。点集通常采用不同的密度进行采样，这导致在统一密度下训练的网络的性能大大降低。新的集合学习层来自适应地结合多个尺度的特征。一，介绍：PointNet++：分层方式处理在度量空间中采样的一组点。通过基础空间的距离度量...
【论文翻译】从零开始PointNet论文分析与代码复现
BatFlo_wsh的杂货铺
04-21 8867
本文从零开始研读PointNet，预计从四个方面进行学习。 刚起步望各位大佬及时指正不足~
论文笔记：图像分割——GCN
liuzeyao_Newton的博客
06-30 2365
Laege Kernel Matters—— Improve Semantic Segmentation by Global Convolutional Network
点云分割学习笔记之PointCNN代码运行
qq_33508523的博客
09-21 2497
分类部分：以modelnet40为例 cd data_conversions python3 ./download_datasets.py -d modelnet cd ../pointcnn_cls ./train_val_modelnet.sh -g 0 -x modelnet_x3_l4 ```#在这过程中有些module没有，会报错，你必须安装：sudo pip install m...
PointCNN：PointCNN：X转换点上的卷积（NeurIPS 2018）
02-04
PointCNN：X变换点上的卷积 由，步锐，孙明超，吴伟，辛欣han和。 介绍 PointCNN是用于从点云进行特征学习的简单通用框架，它刷新了点云处理中的五个基准记录（截至2018年1月23日），包括： ModelNet40的分类精度（ 91.7％ ，仅具有1024个输入点） ScanNet上的分类准确性（ 77.9％ ） ShapeNet零件上的细分零件平均IoU（ 86.13％ ） S3DIS上的平均IoU分割（ 65.39％ ） ScanNet上每个体素标签的准确性（ 85.1％ ） 有关更多详细信息，请参见的（已被NeurIPS 2018接受）。 可以从下载预训练的模
PointCNN：X变换点上的卷积（NeurIPS 2018）-Python开发
05-25
PointCNN：李扬彦，步锐，孙明超，吴伟，辛欣迪和陈宝全在X变换点上进行卷积。 简介PointCNN是一个简单而通用的框架，用于从点c进行特征学习。PointCNN：由Yangyan Li，Rui Bu，Sun Mingchao，Wu Wu，Xinhan Di和Baobao Chen创建的X变换点的卷积。 简介PointCNN是用于点云特征学习的简单通用框架，刷新了点云处理中的五个基准记录（截至2018年1月23日），包括：ModelNet40上的分类准确性（91.7％，仅具有1024个输入点）在ScanNet（77.9％）分割部分上的分类精度在ShapeNet部件上平均IoU（86.13％
【OpenPCDet】PointRCNN前景点分割网络精度测试
Freak16的博客
08-23 843
对PointRCNN第一阶段的前景点网络分割细节和精度比较好奇，PointRCNN在第一阶段只是对每个点预测前景背景还是预测了具体的物体类别（是后者），所以写了个简单的精度测试函数。
【点云分割】：基于PointNet实现点云分割
m0_63642362的博客
11-05 3741
基于PointNet实现在ShapeNet中完成点云分割任务
PointCNN 论文及源码学习
Polaris
01-15 2109
Introduction 论文在Introduction部分花费了大量的篇幅来解释卷积无法直接用在点云数据上的原因，大致主要是因为点云数据的无序性，难以用结构化的数据进行存储。如上图中，图中ii与iii虽然各个点的排序是相同的，但形状却不同，iii与iv虽然点的排序不同，但他们却是相同的点集。为了解决这一问题，作者提出使用空间变换网络(STN),从前一层的数据中取KKK个点，预测一个K×KK\...
【代码阅读】PointRCNN网络可视化，代码详解
热门推荐
麒麒哈尔的博客
06-04 2万+
aaaPointRCNNPointRCNN网络结构 PointRCNN PointRCNN是CVPR2019中3D目标检测的文章。3D目标检测是一个计算机视觉中比较新的任务，其他的文献综述可以参考我的另外一篇博客3D Object Detection 3D目标检测综述 该文章使用two-stage方式，利用PointNet++作为主干网络，先完成segmentation任务，判断每个三维点的lab...
论文学习笔记（一） PointCNN
Custom自定义
10-10 2258
Abstract 传统CNNs成功之处在于利用了空间局部相关性 而点云数据往往不规则且无序，如果直接应用传统的卷积运算，不但会丢失形状信息，还会受到点集顺序变化的影响 为了解决上述问题，本文提出了X-transformation，并且结合传统的卷积运算，构成X-conv模块，也就是PointCNN的building block。 1 Introduction 在某些情况下，使用p...
PointCNN程序运行之分类篇———第一阶段
小书
05-13 2101
@PointCNN跑程序分类ing 1、环境介绍 Ubuntu16.04 ，python3 tensorflow1.12.0 cuda 9.0 2、程序下载 GitHub下载地址 3、数据集下载 数据集名称：modelnet40_ply_hdf5_2048.zip 如果你没有该数据集，直接下载就好了github给出来了。 cd data_conversions python3 ./download...
点云深度学习系列：PointCNN代码解读与心得
最新发布
YadxFix的博客
09-25 1093
全局特征学习层主要负责建模和学习点云的全局特征，它与局部特征学习层相辅相成，共同提取点云数据的丰富特征。相较于传统方法，PointCNN通过引入局部特征学习层和全局特征学习层，能够更好地捕捉点云数据的空间结构和全局特征。而PointCNN作为点云数据的深度学习框架，通过局部特征和全局特征的协同学习，有效地提取了点云数据的特征。PointCNN通过局部特征学习层和全局特征学习层的设计，实现了局部感受野和全局特征的有效协同学习。这种协同学习的方式使得PointCNN能够更好地处理点云数据的结构和特征。
RGCNN：点云数据深度学习分割技术
RGCNN是一种用于点云数据分割的深度学习模型，其全称为正则图卷积神经网络（Regularized Graph CNN）。该技术在点云数据处理领域具有重要的意义，点云数据作为一种三维空间数据，通常由一系列散乱的点组成，这些点...
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