PointCNN代码组织结构分析——以分割为例

最新推荐文章于 2025-11-14 17:39:31 发布
原创 最新推荐文章于 2025-11-14 17:39:31 发布 · 3k 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。

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
语义分割网络系列——FCN，全卷积网络
新兴IT民工的专栏
11-09 2326
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。
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 1017
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...
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。
【点云】PointCNN: Convolution On X-Transformed Points
qq_40731332的博客
03-31 1528
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...
【亲测免费】 PointCNN：基于X变换的点云卷积框架
最新发布
gitblog_00142的博客
11-14 1341
**PointCNN** 是一个简单且通用的点云特征学习框架，由Yangyan Li等人开发，并在NeurIPS 2018上发表。该框架在多个点云处理基准上刷新了纪录，包括ModelNet40分类准确率（最高达到91.7%，仅使用1024个输入点）、ScanNet分类与标注准确性等。其核心在于X-Conv（X转换后的卷积）层的设计，能够有效地对不规则的点云数据进行操作。 ## 项目快速启动 要
PointCNN程序简介
luthor_lee的博客
10-09 2187
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...
PointCNN：Convolution On X-Transformed Points
qq_51221943的博客
01-28 4673
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
PointCNN
ylwhxht的博客
11-18 274
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.
PointRend: 将图像分割视为渲染——PointRend:Image Segmentation as Rendering
ADICDFHL的博客
10-10 1346
我们提出了一种新的方法，用于高效、高质量的对象和场景图像分割。通过将经典的计算机图形学方法与像素标记任务中面临的过采样和欠采样挑战进行类比，我们开发了一种将图像分割视为渲染问题的独特视角。基于这个视角，我们提出了PointRend（基于点的渲染）神经网络模块：一个在自适应选择的位置上执行基于点的分割预测的模块，该位置是基于迭代细分算法选择的。PointRend可以灵活地应用于实例分割和语义分割任务，通过构建在现有的最先进模型之上。虽然许多具体实现都是可能的，但我们表明，一个简单的设计已经可以实现出色的结果。
基于深度学习方法的点云算法2——PointNet（点云分类分割）
zhazhaqiangdedad的博客
05-30 4242
点云是一种重要的几何数据结构。由于其不规则的格式，大多数研究人员将这些数据转换为规则的三维体素网格或图像集合。然而，这会使数据变得不必要的庞大，并导致问题。本文设计了一种新型的直接以点云为输入的神经网络，它很好地保持了输入点的置换不变性。PointNet为对象分类、分割、场景语义分析等应用程序提供了统一的体系结构。虽然PointNet结构简单，但是非常高效的。从实验上看，它的表现相当出色，甚至优于最先进（state of the art）的水平。理论上，本文提供分析，以解释网络学到了什么，以及为什么网络在输
点云分割学习笔记之PointCNN代码运行
qq_33508523的博客
09-21 2542
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
08-23 880
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 3819
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 2163
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 2312
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 2129
@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...
PointGroup：基于空隙空间与语义特征的3D实例分割
资源摘要信息:"PointGroup是一种专为3D实例分割任务设计的自底向上端到端深度学习架构，旨在解决无序且非结构化的点云数据中对象实例难以精确分离与识别的问题。该方法由李江、赵恒双等人提出，结合了语义信息和几何...
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