手把手教你复现顶会论文 —— RandLA-Net (CVPR 2020 Oral)

最新推荐文章于 2025-10-26 20:37:31 发布
原创 最新推荐文章于 2025-10-26 20:37:31 发布 · 3k 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。

本文介绍了如何使用Pytorch和Tensorflow开源代码库(RandLA-Net)配合SemanticKITTI数据集进行预处理，包括下载数据、Git克隆代码、安装依赖并编译，为深度学习项目打下基础。

前言

代码库：Pytorch 或者 Tensorflow

1. 数据集下载

  • 数据集下载链接: http://www.semantic-kitti.org/dataset.html
    在这里插入图片描述
    首先下载前三个文件，之后将三个文件压缩包解压至同一个文件夹，文件会自动合并，最终生成完整的数据集！想直接下载到服务器，可以使用wget

2. Git Clone 开源代码

  1. 下载代码
git clone https:
最低0.47元/天 解锁文章
【图像去噪】论文复现：CVPR 2022 oral！Restormer的Pytorch源码复现，跑通训练和测试源码，报错改进全记录，由大到小拆解网络结构，由小到大实现模型组合，代码逐行注释！
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
10-17 1043
论文题目：Restormer: Efficient Transformer for High-Resolution Image Restoration —— Restormer：用于高分辨率图像恢复的高效变压器【图像去噪】论文精读：Restormer: Efficient Transformer for High-Resolution Image Restoration本文以SIDD数据集为例，跑通Restormer源码，讲解Restormer网络结构的实现。
【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
03-25 2万+
本专栏研究领域为【超分辨率重建】，涵盖图像超分、视频超分，实时超分，4K修复等方面。主要内容包括主流算法模型的论文精读、论文复现、毕业设计、涨点手段、调参技巧、论文写作、应用落地等方面。算法模型从SRCNN开始更新至今，一般是一篇论文精读对应一篇论文复现。论文精读详解理论，归化繁为简，归纳核心，积累词句，培养阅读论文和论文写作能力。论文复现依托Pytorch代码，实现完整的模型训练流程，总结调参方法，记录碰到的bug，论文插图可视化，培养读写代码能力、做实验的能力、以及应用落地能力。
语义分割之RandLANet深度解读
victor_manches的博客
04-01 5795
语义分割任务是计算机视觉里的一个比较基础的任务，其相比于物体检测任务主要有以下几个优点：输出的结果是稠密的，是针对于所有像素点的K分类问题，物体检测任务只输出前景类物体的信息忽略了背景点的信息在自动驾驶任务中可以实现可行驶区域的识别，大部分区域都是以背景的形式存在，而这些背景同样是非行驶区域可以输出非常精细的结果，物体检测由于输出都是刚性的矛框，对于一些精细的任务无法达到要求语义分割 : 对图片的每个像素点进行分类eg: 人 、车辆 、道路 、建筑物等。
使用 Open3d-ML训练 Randlanet pytorch Semantic3d
点云算法工程师
05-08 1324
在 git 上找了好多版 randlanet 的 torch 训练 semantic3d，发现训练的效果并不好，而且有些甚至连网络结构都不一样，最后终于找到一个训练效果不错 ，loss可以收敛的代码了，这里记录一下 使用训练 Randlanet 的 pytorch 版本 Semantic3d 的过程因为是 TF 用户，所以 顺便 学一下 torch 的代码。
RandLA-net-pytorch 复现
最新发布
honeysuckle_luo的博客
10-26 205
【代码】RandLA-net-pytorch 复现。
一、PyCharm中的环境配置
weixin_43086713的博客
10-10 3357
PyCharm中的环境配置（以txt配置文件为例） 因为最近在看一篇RandLA-Net的论文，想要跑一跑pytorch框架的代码，于是在这里，就顺便把PyCharm中的项目名称命名为RandLA-Net-pytorch-master了，下面分步骤进行环境配置。 step1：打开电脑桌面左下角的菜单栏，选择Powershell，打开它 step2：在PyCharm中选中左上角的项目名称，按鼠标右键，选择“Copy Path”，然后选择“Absolute Path”，就把项目的绝对路径复制下来了。 st
Ubuntu18.04复现RandLA-Net(SemanticKITTI数据集）----2.代码复现
m0_62648611的博客
07-13 3660
本文是复现RandLANet
Ubuntu18.04复现RandLA-Net(SemanticKITTTI数据集)----1.环境配置
m0_62648611的博客
07-13 2745
本文主要是复现RandLANet第一步，深度学习环境配置
【图像去噪（Image Denoising）】关于【图像去噪】专栏的相关说明，包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、去噪概述、文章目录、资料汇总、问题汇总（更新中）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
01-14 1万+
你是否在全网苦寻【图像去噪（ImageDenoising）】的相关资料？你的目标是否是看懂【图像去噪（ImageDenoising）】的相关论文，复现代码，跑出结果，并试图创新？你是否需要发表【图像去噪（ImageDenoising）】的相关论文毕业？你是否需要做【图像去噪（ImageDenoising）】的相关项目，开发软件，研究算法，获得专利或者软著？只要是与【图像去噪（ImageDenoising）】有关的问题，那么请继续往下看。
Diffusion Models专栏文章汇总：入门与实战
热门推荐
沉迷单车的追风少年
02-21 4万+
《DiffusionModels与深度学习》专栏文章导航
大规模点云的高效语义分割：RandLA-Net（Ubuntu18.04）复现
gfds3445的博客
01-11 2498
这是一种简单高效的神经架构，用于点云分割的深度学习网络模型。它通过对点云数据进行局部聚合和随机采样来处理不同密度和规模的点云，并使用具有全局感知力的特征来进行点云分割任务。RandLA-Net 的核心思想是通过局部区域特征聚合和多尺度特征提取来处理点云数据。它首先将点云划分为不同的局部区域，然后对每个局部区域内的点进行特征聚合。之后，它通过多层的神经网络对聚合后的局部特征进行多尺度特征提取，以获得具有全局感知力的特征表示。最后，通过一个全连接层对每个点进行分类或分割。
RandLA-Net-tensorflow2：RandLA-Net的Tensorflow2实现
02-16
RandLA-Net-tensorflow2 RandLA-Net的TensorFlow 2实现
RandLA-Net-pytorch:RandLA-Net（https的Pytorch实施
05-23
RandLA-Net-pytorch 该存储库包含的实现。 我们现在仅支持SemanticKITTI数据集。 （欢迎大家共同发展，提高公关意识） 我们的模型几乎与原始实现一样好。 （验证集：我们的52.9％的mIoU与原始的53.1％） 我们将pretrain-model放置在目录中。 表现 验证集结果（seq 08） 与原始实施比较 模型 密欧 原始Tensorflow 0.531 我们的Pytorch实施 0.529 每课时 密欧 车 自行车 摩托车 卡车 其他车辆 人 骑自行车的人 电单车司机 路 停车处 人行道 其他地面 建造 栅栏 植被 树干 地形 极 交通标志 52.9 0.919 0.122 0.290 0.660 0.444 0.515 0.676 0.000 0.912 0.421 0.759 0.001 0.878 0.354
RandLA-Net:andTandorflow中的RandLA-Net（CVPR 2020，口服）
05-03
RandLA-Net：大规模点云的有效语义分割（CVPR 2020） 这是RandLA-Net （CVPR2020，口头演示）的官方实施， RandLA-Net是一种简单高效的神经体系结构，用于大规模3D点云的语义分割。 有关技术细节，请参阅： RandLA-Net：大规模点云的有效语义分割， ，，，，， ，。 [] [] [] [] （1）设置 该代码已在Ubuntu 16.04上使用Python 3.5，Tensorflow 1.11，CUDA 9.0和cuDNN 7.4.1进行了测试。 克隆存储库 git clone --depth=1 https://github.com/QingyongHu/RandLA-Net && cd RandLA-Net 设置python环境 conda create -n randlanet python=3.5 source activate
复现基于Tensorflow的Randla-Net（附踩坑过程）
m0_51950734的博客
05-29 2692
本来想着大功告成，也没有管别的直接就放在那里跑了一晚上，第二天来发现跑的特别慢，测试了一下Tensorflow的GPU可用性，发现果然是在用CPU跑。由于实验室服务器系统为Ubuntu 20.04，CUDA11.4，为避免后续代码因库版本问题报错，一开始考虑按照要求配置相同环境。分析应该是CUDA9.0实际没安装上，还是用的CUDA11.4，因此导致CUDA版本和Tensorflow版本不匹配。其他的库按照推荐进行配置，在安装完后进行测试，发现代码能跑！
CVPR2020 RandLANet（SemanticKITTI数据集）复现——2024年8月
qq_43559830的博客
08-27 3071
之前在配置上成功复现过，但考虑到2080ti显存太小所以想迁移到4090上，也便于之后的改进，所以写下此篇以记录。
RandLA-Net网络在Semantic3D数据集分割复现
weixin_48845174的博客
04-25 6633
最近一直在看些大场景点云分割的文章，它们的方法无非就是对邻域的点云信息进行编码学习特征，然后利用注意力等加权学习特征，最后在利用各种方法去聚合特征。有的网络比较复杂的还在结合上下文信息时去添加注意力模块或者融合不同尺度的的点云特征获取更好的分割效果。今天给大家复现一下RandLA-Net的Semantic3D数据集的训练过程。 首先，RandLA-Net中的复现环境是Ubuntu16.04，tf1.11，CUDA9.0版本的。但是我的电脑是Ubuntu18.04的，所以我尝试使用tf1.14去复现。 首先根
在RTX 3090上复现点云语义分割算法RandLA-net
weixin_41965898的博客
08-30 6451
在大场景三维点云语义分割算法中，RandLA是很有代表性的算法，而且很适合落地，奈何原论文代码的环境是python3.5+tensorflow1.11+cuda9，而cuda9是不能在新显卡RTX3090上跑通的。 官方：https://github.com/QingyongHu/RandLA-Net 我对代码做了一些修改： 提供了一些对预测结果的可视化方法； 在cuda11.4上进行了复现，以支持3090显卡； 对核心部分代码做了一些注释； 在S3DIS数据集上进行了复现。 我的代码：http
Ubuntu18.04/20.04复现算法RandLa-net 数据集S3DIS
Parkerfive的博客
03-14 1万+
原本打算先复现Pointnet++的，现在RandLA-net的性能吊打Pointnet++的清空下，先复现这个吧。 在大场景三维点云语义分割算法中，RandLA-net是很有代表性的算法，而且很适合落，原论文代码的环境是python3.5+tensorflow1.11+cuda9，而cuda9是不能在新显卡RTX3080上跑通的。 本片博客是在：在RTX 3090上复现点云语义分割算法RandLA-net_lucky li的博客-优快云博客 感谢指引，侵删。 ​ ...
评论 4
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