Pointnet源码阅读学习---sem_seg/

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 · 1.1k 阅读

6 ·

CC 4.0 BY-SA版权

本文详细介绍了一个基于深度学习的物体识别系统sem_seg，涵盖了从数据预处理到模型训练及评估的全过程。系统包括多个核心组件，如batch_inference、collect_indoor3d_data、eval_iou_accuracy等，旨在实现精准的室内三维物体识别。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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
在这里插入图片描述

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

银川梁朝伟

关注关注

0
点赞
踩
6

收藏

觉得还不错? 一键收藏
3
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

PointNet sem_seg代码笔记

sinat_32539989的博客

05-14

1699

g_class2color = {'ceiling': [0,255,0], 'floor': [0,0,255], 'wall': [0,255,255], 'beam': [255,25...

PointNet系列代码复现详解(3)—PointNet_sem_seg

weixin_45699456的博客

03-16

1295

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。

3 条评论您还未登录，请先登录后发表或查看评论

PointNet源码解读

AI训练师中的点滴

10-04

994

pointnet

3D点云深度学习PointNet源码解析——pointnet_cls.py.py

夜晓岚的博客

10-25

1128

参考博客： #这个文件实现了网络的分类结构。输出为B*40，是每个样本对于每个类别的概率。网络结构在get_model()中定义，loss则在get_loss中定义 import tensorflow as tf import numpy as np import math import sys import os BASE_DIR = os.path.dirname(os.pa...

PointNet++ 源码解读

qq_42813620的博客

05-30

1107

先找到存放训练和测试数据的目录，接下来加载相关的数据参数：下面是执行的结果：接下来为训练样本开始做准备：给不同标签做上标记：定位每个样本文件： optimizer.zero_grad()//将梯度清零，如果不加此话，梯度就会一直不断的累加。接下来将点云转为Numpy的形式，并进行随机点剔除、缩放和平移以上的内容对于防止过拟合很有帮助，提升模型的泛化能力接下来就是将numpy转为tensor的数据形式，并将维度中第2维和第3维进行转置，再放入cuda。数据发生的变化：16*1024*3---》16*3

Pointnet模型源码解读（更新中）

peanutboom的博客

12-17

1161

我看的是这位大佬的代码： GitHub - yanx27/Pointnet_Pointnet2_pytorch: PointNet and PointNet++ implemented by pytorch (pure python) and on ModelNet, ShapeNet and S3DIS. T-Net网络解析 class STN3d(nn.Module): def __init__(self, channel): super(STN3d, self)..

File "/mnt/pointnet2-master/scannet/pointnet2_sem_seg.py", line 9, in <module> from pointnet_util import pointnet_sa_module, pointnet_fp_module, pointnet_sa_module1, pointnet_fp_module144

最新发布

04-24

好的，我现在需要帮助用户解决在导入PointNet相关模块（如pointnet_util、pointnet_sa_module、pointnet_fp_module）时出现的错误。首先，我得分析可能的原因，然后逐一排查。用户提到的错误是导入错误，这通常有几...

PointNet论文阅读笔记

m0_55908255的博客

11-16

1037

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。

PointNet++ partseg训练结果使用matplotlib可视化过程（自制数据集，没有创新，纯跑通而已）

m0_67690830的博客

09-01

740

源码的训练结果是一个文件夹：log——sem_seg——pointnet2_part_seg_msg——checkpoints、logs、pointnet2_utils.py、pointnet2_part_seg_msg.py。由于我使用的是自制数据集，因此修改了这个博主针对Shapenet的代码，也只是改了文件名、类别数、根目录之类的。首先仿照对train_partseg.py的修改来修改test_partseg.py。生成了一个eval.txt，由于训练精度过低（猜测），里面也没有什么具体内容。

PointNet++论文阅读笔记

m0_55908255的博客

11-14

457

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-SemSeg-VKITTI3D:使用PointNet的VKITTI3D语义分割

04-30

使用PointNet对虚拟kitti数据集进行3D语义分割主要代码来自数据集您可以从下载数据集。所有文件均以numpy .npy文件形式提供。每个文件包含一个N x F矩阵，其中N是场景中的点数，F是每个点的要素数，在这种情况下，F = 7。功能包括XYZRGBL，3D XYZ位置，RGB颜色和地面真实语义标签L。每个文件都用于一个场景。训练下载并准备好数据后，请开始使用main.ipynb进行培训。可视化数据对于数据可视化，您可以使用vis_data_vispy.py文件。使用PointNet的选定项目 Qi等人的。（NIPS 2017）点云上的分层功能学习框架。 PointNet ++体系结构将PointNet递归应用于输入点集的嵌套分区。它还为密度不均匀的点云提出了新颖的层。 Engelmann等人的。（ICCV 2017研讨会）。这项工作扩展了P

Sem_Seg_Suite:适用于colab笔记本的Sem_Seg_Suite

03-13

Sem_Seg_Suite 适用于colab笔记本的Sem_Seg_Suite ＃原始回购是： :

semseg:pytorch中的语义分割

05-02

PyTorch语义分割介绍该存储库是用于语义分割/场景解析的PyTorch实现。该代码易于在各种数据集上进行训练和测试。该代码库主要使用ResNet50 / 101/152作为主干，并且可以轻松地适应其他基本分类结构。已实施的网络包括和，它们在，和。样本实验数据集为，和。更新 2020.05.15：分支master ，使用官方的，仅支持多处理培训，并使用pytorch 1.4.0进行了测试。 2019.05.29：分支1.0.0支持多线程训练（）和多处理训练（）（推荐）。而后一个要快得多。使用syncbn从和顶点，与pytorch 1.0.0测试。用法强调：使用官方的nn.SyncBatchNorm快速进行多处理培训（ nn.parallel.DistributedDataParallel ）。设计良好的代码结构可带来更好的重新实现结

PointNet代码解析

cocapop的博客

04-07

989

然后直接基于这个“2D图像”做卷积，第一个卷积核size是 [1,3] ，正好对应的就是“2D图像”的一行，也就是一个点（三维坐标），输出通道数是64，因此输出张量维度应该是 B×N×1×64。这里input_image维度是 B×N×3×1 ，因此将点云看成是W和H分为N和3的2D图像，维度是 1。第二个卷积核size是 [1,1] ， 1∗1 卷积只改变通道数，输出张量维度是 B×N×1×64。max_pooling，这个在论文的图中还是代码中都有体现，代码甚至直接用注释注明了。

对于PointNet的源码阅读

马小飞的博客

07-03

2712

PointNet 是发表在CVPR2016的一种直接面向点云的深度学习框架。可用于对点云进行物体识别/分割。 PointNet在多种测试集中表现出良好效果。已经被momenta.ai等自动驾驶公司用于激光雷达点云处理，可见其算法确有实际价值。 PointNet的源代码基于Tensorflow，源码目录中的sem_seg对于语义识别代码；而part_seg文件夹内对应分割代码。详情可参见h...

【论文】pointnet代码解读

weixin_51277640的博客

11-21

1465

1 引言 PointNet论文解读已经在前文中做以总结，本文简单讲述PointNet的复现，并对源码及其架构作以总结 2 论文复现 2.1 环境配置源码：PointNet 组件版本：tensorflowGPU1.13.1+cuda10.0.1+cudnn7.4.2 配置流程：TensorflowGPU安装 2.2 运行 1 从Anaconda Prompt中激活TensorflowGPU环境 2 进入源码根目录之下，运行train.py 3 在dump文件夹之下查看错误训练结果上述错误图片命名格式为

开源框架PointNet 代码详解——/pointnet/sem_seg/train.py

shaozhenghan的博客

07-17

8410

/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...

PointNet论文及代码详细解析

toCVer的博客

06-21

3911

PointNet

PointNet&PointNet++源码pointnet_util.py理解

xiaobaizaza_Ry的博客

04-24

2064

PointNet&PointNet++源码pointnet_util.py理解源码：https://github.com/yanx27/Pointnet_Pointnet2_pytorch 文件:pointnet_util.py import torch import torch.nn as nn import torch.nn.functional as F from time imp...