PointNet sem_seg代码笔记

最新推荐文章于 2024-11-16 11:58:58 发布
原创 最新推荐文章于 2024-11-16 11:58:58 发布 · 1.7k 阅读 · 13 ·
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。

g_class2color = {'ceiling':    [0,255,0],   
                 'floor':    [0,0,255],                   
                 'wall':    [0,255,255],                
                 'beam':        [255,255,0],         
                 'column':      [255,0,255],        
                 'window':      [100,100,255], 
                 'door':        [200,200,100],    

最低0.47元/天 解锁文章

200万优质内容无限畅学
PointNet系列代码复现详解(3)—PointNet_sem_seg
weixin_45699456的博客
03-16 1307
在pointnet_utils.py中PointNetEncoder里，最后会进行判断，如果使用全局特征，即对整个点云进行处理得到一个全局特征表示。否则不使用全局特征，只对每个点进行处理得到局部特征，并且将这些局部特征聚合起来得到整个点云的特征表示。上面就是PointNet分割的代码，在前向传播函数中，首先是进行了特征提取，与分类代码特征提取不一样的是，和上述张量进行拼接，并返回拼接后的结果、特征变换矩阵和特征变换后的结果。时，我们需要保证变换前后张量的元素总数是相同的，否则会抛出异常。
PointNet++论文阅读笔记
m0_55908255的博客
11-14 482
模块进行采样分组和特征提取，并引入MSG和MRG解决点云密度不均衡问题，增强网络的鲁棒性。实验表明，PointNet++在稀疏点云处理和多尺度特征融合方面表现出色。
Pointnet源码阅读学习---sem_seg/
weixin_41389170的博客
04-11 1140
sem_seg负责识别物体，包含batch_inference.py、collect_indoor3d_data.py、eval_iou_accuracy.py、gen_indoor3d_h5.py、indoor3d_util.py、model.py、train.py、README.md、download_data.sh。 结构如图 ...
semseg-master加载数据、训练和计算mIOU
m0_46378271的博客
04-26 638
semseg-master的github链接：semseg 一、数据处理 在制作dataset的时候，label直接读取label = cv2.imread(label_path, cv2.IMREAD_GRAYSCALE) # GRAY 1 channel ndarray with shape H * W 调试代码发现读取的是file:///media/D_4TB/zhouhongjie/1.few-shot%20segmentation/3.CaNet/CaNet-master/dataset
【点云网络】pointnet_sem_seg.py
py今天刷题了吗
02-13 170
【代码】【点云网络】pointnet_sem_seg.py。
semseg：常用的语义分割架构结构概述以及代码复现
02-04
塞姆塞格 主 语义图像分割，为图像中的每个对象分配语义标签（例如“道路”，“天空”，“人”，“狗”）的任务能够实现很多新应用，例如Pixel 2和Pixel 2 XL智能手机的初步模式中提供的合成浅景深效果和移动实时视频分割。 引用自 本仓库的开发计划见 下面将初步主要的论文整理表格以供后续进一步总结。 网络实现 FCN（VGG和ResNet的骨干网络），已实现，参考 RefineNet，已实现，参考 DUC，参考 DRN，已实现 PSPNet，参考 ENet，已实现 ErfNet，已实现 EDANet，已实现 LinkNet，已实现，参考 FC-DenseNet，已实现，参考 L
PointNet论文阅读笔记
m0_55908255的博客
11-16 1052
PointNet是第一篇使用深度学习处理点云数据的工作，专门处理3D点云数据，用于分类和分割任务。它通过使用对称函数（最大池化）捕捉无序点集的全局信息，并通过变换网络T-Net实现旋转不变性。网络结构包括变换网络、特征提取网络和全连接层，能够在不依赖预处理特征的情况下，直接对点云进行端到端的处理。
【论文阅读】PointNet++论文解读以及代码分析（超全）
毛毛的博客
01-19 5722
系列文章目录 第一章 PointNet论文解读以及代码分析 第二章 PointNet++论文解读以及代码分析 文章目录系列文章目录前言1. PointNet的不足与PointNet++的解决方法1.1 PointNet存在的问题1.2 PointNet++采用的解决方法2. PointNet++网络结构详解2.1 改进特征提取方法2.2 对于非均匀点云的处理方法3. PointNet++代码分析总结 前言 上一篇文章主要介绍了点云处理的经典之作PointNet的整体思想和框架，本篇文章将介绍其团队基于
pointnet实现
Passersby__的博客
02-23 2421
前些日子使用极客云服务器对PointNet点云网络的代码实现。之所以租用极客云的服务器，是因为尝试在kaggle上运行，但是上传的数据集为只读，对于代码的修改和数据集的下载比较限制。因此选择国内的服务器来实现PointNet网络。
PyTorch语义分割开源库semseg
我爱计算机视觉
06-02 2065
点击我爱计算机视觉标星，更快获取CVML新技术今天跟大家介绍一款新出的基于PyTorch的语义分割开源库semseg：https://github.com/hszhao/semseg其开...
indoor3d_sem_seg_hdf5_data.zip
07-17
本资源为论文pointnet++语义分割部分的的实验数据集。若有需要做论文复现的可自行取用。 该分享仅用于科学研究，如有侵权，联系删除！
开源项目 semseg 使用教程
gitblog_00139的博客
08-09 781
开源项目 semseg 使用教程 项目介绍 semseg 是一个基于 PyTorch 的语义分割开源库，由香港中文大学的博士生 Hengshuang Zhao 开发。该库旨在帮助开发者方便地用于各种语义分割数据集的训练和测试。主要使用 ResNet50、101 和 152 作为主干网络，同时也支持其他分类网络结构。目前已经实现了包括 PSPNet 和 PSANet 在内的网络，并在多个挑战赛中取得...
探索语义分割的新边界：`semseg` 项目深度解析
gitblog_00094的博客
04-12 481
探索语义分割的新边界：semseg 项目深度解析 在计算机视觉领域，语义分割是一种重要的任务，它涉及到将图像的每个像素分类到特定的对象类别中。今天，我们将一起深入探索一个开源项目——，这是一个专注于语义分割研究与实现的框架，旨在为开发者提供一个高效、灵活且易于使用的工具。 项目简介 semseg 是由 Guanfuchen 创建并维护的项目，其目标是简化和加速语义分割模型的开发流程。通过该库，开发...
【亲测免费】 探秘HSZhao/semseg：一款强大的语义分割工具
gitblog_00032的博客
03-26 377
探秘HSZhao/semseg：一款强大的语义分割工具 项目简介 在计算机视觉领域， 是一个值得关注的开源项目。它主要专注于语义分割任务，这是一个将图像中的每个像素分类到不同对象或背景类别的过程。通过利用深度学习技术，该项目提供了一组高效且灵活的模型，帮助开发者和研究人员实现更精确的图像分析。 技术分析 1. 基于PyTorch的框架： semseg 构建在流行的深度学习框架PyTorch之上，为...
pytorch-semseg源码解读test.py
柏舟
06-10 1009
这部分代码很坑，原作者代码里若不更改命令行参数norm，则会进行两次标准化 import os import torch import argparse import numpy as np import scipy.misc as misc from ptsemseg.models import get_model from ptsemseg.loader import get_loader from ptsemseg.utils import convert_state_dict try:
开源框架PointNet 数据集结构——语义分割部分
shaozhenghan的博客
07-17 1万+
要训练自己的数据，需要把自己的数据集做成PontNet所用数据集相似的结构。故记录本文以备忘 1. 论文中的描述 pointnet 应用分为三部分：点云分类（3D Object Classification），点云部分分割（3D Object Part Segmentation），语义分割（Semantic Segmentation in Scenes）。本文只解释语义分割部分的数据集。 论...
开源框架PointNet 代码详解——/pointnet/sem_seg/train.py
shaozhenghan的博客
07-17 8468
/pointnet/sem_seg/train.py 是PointNet 中用来训练点云语义分割（Semantic Segmentation in Scenes）的文件。当需要训练自己的数据集的时候，可能需要对这个训练文件做一些修改，因此有必要看懂其中的代码。记录下来，也是捋清思路。   parser = argparse.ArgumentParser() parser.add_argume...
3D点云语义分割篇——PointNet
热门推荐
weixin_42371376的博客
06-28 1万+
随着深度学习在二维图像处理及应用的逐渐成熟，对于三维点云也希望能利用强大的深度学习去解决诸如：分类、识别、分割、补全、配准等问题，这篇2017年发表的文章可以算是将深度学习直接应用于散乱、无序的三维点云的开山鼻祖。网络结构简单而有效（当然有效只是相对的），作者在ModelNet40上验证了分类任务，在ShapeNet上验证了部件分割，在S3DIS上验证了语义分割，本文主要针对语义分割做介绍（原理+代码）。 直接看网络结构： 网络的核心思想就两点： 1.直接使用多层感知机（ML...
运行pointnet-sem_seg文件夹下train.py遇见的蓝屏问题及解决方案（win10系统下）
景墨轩
01-23 993
本人刚开始运行train.py时并未出现蓝屏的问题， 结果在晚上跑代码时实验室突然断电导致后面运行时一直蓝屏。 在网上查了很多方法，最终终于解决了，所以把解决方式记录下来。 （个人认为是代码运行时CPU过高导致的蓝屏~） 十种方法教你解决win10系统cpu占用100% 过高的问题：http://www.dnpz.net/guzhang/2317.html 蓝屏情况去下图： 解决方式： 1. 同时...
pointnet2语义分割pointnet2_sem_seg_msg
最新发布
08-03
PointNet2 是一种广泛应用于点云处理的深度学习架构，其语义分割实现通常基于分层特征提取机制，以处理不规则点云数据。`pointnet2_sem_seg_msg` 是 PointNet2 官方实现中的一个模块或配置文件，主要用于语义分割任务，特别是在处理大规模点云时，通过多尺度分组（Multi-Scale Grouping, MSG）策略来增强局部特征提取能力。 在 `pointnet2_sem_seg_msg` 的实现中，模型通常采用编码器-解码器结构。编码器部分使用多个 PointNet++ 层，其中每个层包含采样、分组和 PointNet 模块，用于提取不同尺度的局部特征。MSG 策略在分组阶段引入多个半径和邻居点数的组合，从而在不同尺度上捕捉局部几何结构。例如，某一层可能使用半径为 0.1 和 0.5 的球形邻域分别进行分组，然后将这些特征进行拼接和变换，形成更具判别能力的特征表示。 在解码器部分，特征从最底层的点逐步上采样到原始点云分辨率。这一过程通常依赖于插值层，通过最近邻搜索将低分辨率点的特征传播到高分辨率点上。最终，每个点的特征被送入全连接层，输出每个点的语义类别预测。 以下是一个简化的 `pointnet2_sem_seg_msg` 模块的伪代码示例： ```python class PointNet2SemSegMSG(nn.Module): def __init__(self, num_classes): super(PointNet2SemSegMSG, self).__init__() self.sa1_module = PointNetSetAbstractionMSG(npoint=512, radius_list=[0.1, 0.2, 0.4], nsample_list=[16, 32, 64], in_channel=3, mlp_list=[[32,32,64], [64,64,128], [64,96,128]]) self.sa2_module = PointNetSetAbstractionMSG(npoint=128, radius_list=[0.2, 0.4, 0.8], nsample_list=[16, 32, 64], in_channel=3+64+128+128, mlp_list=[[64,64,128], [128,128,256], [128,128,256]]) self.fp2_module = PointNetFeaturePropagation(in_channel=256+256+128, mlp=[256, 128]) self.fp1_module = PointNetFeaturePropagation(in_channel=128+64+64, mlp=[128, 64]) self.conv = nn.Conv1d(64, num_classes, kernel_size=1) def forward(self, xyz, points): l1_xyz, l1_points = self.sa1_module(xyz, points) l2_xyz, l2_points = self.sa2_module(l1_xyz, l1_points) l3_xyz, l3_points = self.sa3_module(l2_xyz, l2_points) l2_points = self.fp2_module(l2_xyz, l3_xyz, l2_points, l3_points) l1_points = self.fp1_module(l1_xyz, l2_xyz, l1_points, l2_points) pred = self.conv(l1_points) return pred ``` 该模型的训练通常使用交叉熵损失函数，并结合点云数据增强策略，如随机点删除、点扰动等，以提升模型的泛化能力。此外，PointNet2 的语义分割实现还支持批量推理和实时处理，适用于大规模点云数据集如 Semantic3D、ScanNet 等。 ### 数据预处理 在使用 `pointnet2_sem_seg_msg` 之前，通常需要对点云数据进行标准化处理。标准化包括将点云中心化到原点、归一化坐标范围以及对类别标签进行编码。例如，ScanNet 数据集的每个点包含 x, y, z, r, g, b 信息，标签则以整数形式表示不同的语义类别（如地板、墙、家具等）。 ### 训练与评估 在训练过程中，通常采用 Adam 优化器，初始学习率设置为 0.001，并结合学习率衰减策略。评估指标包括总体准确率（OA）、平均交并比（mIoU）以及类别平均准确率（mAcc）。为了可视化训练过程，可以使用 TensorBoard 记录损失曲线和评估指标变化。
评论 3
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