qq_37534947的博客

推荐阅读第一篇博客：https://blog.youkuaiyun.com/qq_37534947/article/details/106628308

query_ball_point函数对应于Grouping layer, 这一层使用Ball query方法生成N'个局部区域，根据论文中的意思，这里有两个变量 ，一个是每个区域中点的数量K，另一个是球的半径。这里半径应该是占主导的，会在某个半径的球内找点，上限是K。球的半径和每个区域中点的数量都是人指定的。 query_ball_point函数用于寻找球形领域中的点。输入中radius为球形领...

数据集官网下载地址：http://www.cvlibs.net/datasets/kitti/eval_object.php?obj_benchmark=3d3D目标检测数据集由7481个训练图像和7518个测试图像以及相应的点云数据组成，包括总共80256个标记对象。上图红色框标记的为我们需要的数据，分别是彩色图像数据（12GB）、点云数据（29GB）、相机矫正数据（16MB）、标签数据（5MB）。其中彩色图像数据、点云数据、相机矫正数据均包含training（7481）和testing（7518

文章目录1.数据集简介2.数据集结构3.Datasets 读入代码分析1.数据集简介ShpaeNet是点云中一个比较常见的数据集，它能够完成部件分割任务，即部件知道这个点云数据大的分割，还要将它的小部件进行分割。它总共包括十六个大的类别，每个大的类别有可以分成若干个小类别（例如，飞机可以分成机翼，身体等小类别），总共有五十个小类别。下面可视化一下，经过采样和上色后它长什么样子。可以发现，它不仅将桌子和椅子进行了分割，还对它的桌子腿等小部件也分割为不同的颜色。2.数据集结构下载好数据集之后

文章目录1.前言2.数据集准备3.训练：4.测试：4.分割效果评价1.前言Pointnet的网络结构和源码解释，已在之前写了次总结，本次主要针对论文中的数据集以.h5为TensorFlow的输入格式进行解释，记录如何制作H5文件，以提供给TensorFlow，PyTorch框架中进行训练。首先，Pointnet一文中针对3个不同的任务使用到了三个数据集，分别为：点云分类（3D Object Classification）——ModelNet40，下载命令在provider.py中，运行pyt