Pointnet_Pointnet2_pytorch
1.0.0
Dieses Repo ist die Implementierung für PointNet und PointNet ++ in Pytorch.
2021/03/27:
(1) Vorausgebildete Modelle für die semantische Segmentierung freigeben, wobei Pointnet ++ 53,5% Miou erreichen kann.
(2) Vorausgebildete Modelle zur Klassifizierung und Teilsegmentierung in log/ freigeben.
2021/03/20: Aktualisieren Sie Codes für die Klassifizierung, einschließlich:
(1) Fügen Sie Codes für das TrainingsmodellNet10 -Datensatz hinzu. Verwenden der Einstellung von --num_category 10 .
(2) Fügen Sie Codes nur für das Ausführen von CPU hinzu. Verwenden der Einstellung von --use_cpu .
(3) Fügen Sie Codes für die Vorverarbeitung von Offline -Daten hinzu, um das Training zu beschleunigen. Verwenden der Einstellung von --process_data .
(4) Fügen Sie Codes für das Training mit einheitlicher Probenahme hinzu. Verwenden der Einstellung von --use_uniform_sample .
2019/11/26:
(1) Es wurde einige Fehler in früheren Codes behoben und Datenvergrößerungstricks hinzugefügt. Jetzt können nur 1024 Punkte eine Klassifizierung von 92,8% erzielen!
(2) Testcodes, einschließlich Klassifizierung und Segmentierung sowie semantische Segmentierung mit Visualisierung, hinzugefügt.
(3) organisierte alle Modelle in ./models -Dateien für die einfache Verwendung.
Die neuesten Codes werden auf Ubuntu 16.04, CUDA10.1, Pytorch 1.6 und Python 3.7 getestet:
conda install pytorch==1.6.0 cudatoolkit=10.1 -c pytorch Herunterladen von Alignment ModelNet hier und speichern Sie in data/modelnet40_normal_resampled/ .
Sie können verschiedene Modi mit folgenden Codes ausführen.
--process_data im ersten Lauf verwenden. Sie können hier Pre-ProcessD-Daten herunterladen und in data/modelnet40_normal_resampled/ speichern.--num_category 10 verwenden. # ModelNet40
# # Select different models in ./models
# # e.g., pointnet2_ssg without normal features
python train_classification.py --model pointnet2_cls_ssg --log_dir pointnet2_cls_ssg
python test_classification.py --log_dir pointnet2_cls_ssg
# # e.g., pointnet2_ssg with normal features
python train_classification.py --model pointnet2_cls_ssg --use_normals --log_dir pointnet2_cls_ssg_normal
python test_classification.py --use_normals --log_dir pointnet2_cls_ssg_normal
# # e.g., pointnet2_ssg with uniform sampling
python train_classification.py --model pointnet2_cls_ssg --use_uniform_sample --log_dir pointnet2_cls_ssg_fps
python test_classification.py --use_uniform_sample --log_dir pointnet2_cls_ssg_fps
# ModelNet10
# # Similar setting like ModelNet40, just using --num_category 10
# # e.g., pointnet2_ssg without normal features
python train_classification.py --model pointnet2_cls_ssg --log_dir pointnet2_cls_ssg --num_category 10
python test_classification.py --log_dir pointnet2_cls_ssg --num_category 10| Modell | Genauigkeit |
|---|---|
| Pointnet (offiziell) | 89,2 |
| Pointnet2 (offiziell) | 91.9 |
| Pointnet (pytorch ohne normal) | 90.6 |
| Pointnet (pytorch mit normal) | 91.4 |
| PointNet2_SSG (pytorch ohne normal) | 92.2 |
| PointNet2_ssg (pytorch mit normal) | 92.4 |
| PointNet2_msg (pytorch mit normal) | 92.8 |
Download Alignment Shapenet hier und speichern Sie in data/shapenetcore_partanno_segmentation_benchmark_v0_normal/ .
## Check model in ./models
## e.g., pointnet2_msg
python train_partseg.py --model pointnet2_part_seg_msg --normal --log_dir pointnet2_part_seg_msg
python test_partseg.py --normal --log_dir pointnet2_part_seg_msg
| Modell | INCTANCE AVG IOU | Klasse avg iou |
|---|---|---|
| Pointnet (offiziell) | 83.7 | 80.4 |
| Pointnet2 (offiziell) | 85.1 | 81.9 |
| Pointnet (pytorch) | 84.3 | 81.1 |
| PointNet2_ssg (pytorch) | 84.9 | 81.8 |
| PointNet2_msg (pytorch) | 85.4 | 82,5 |
Download 3D Indoor Parsing Dataset ( S3DIS ) hier und speichern Sie in data/s3dis/Stanford3dDataset_v1.2_Aligned_Version/ .
cd data_utils
python collect_indoor3d_data.py
Verarbeitete Daten speichern in data/stanford_indoor3d/ .
## Check model in ./models
## e.g., pointnet2_ssg
python train_semseg.py --model pointnet2_sem_seg --test_area 5 --log_dir pointnet2_sem_seg
python test_semseg.py --log_dir pointnet2_sem_seg --test_area 5 --visual
Die Visualisierungsergebnisse speichern in log/sem_seg/pointnet2_sem_seg/visual/ und Sie können diese .OBJ -Datei durch meshlab visualisieren.
| Modell | Gesamt ACC | Klasse avg iou | Kontrollpunkt |
|---|---|---|---|
| Pointnet (pytorch) | 78,9 | 43.7 | 40,7 MB |
| PointNet2_ssg (pytorch) | 83.0 | 53,5 | 11,2 MB |
## build C++ code for visualization
cd visualizer
bash build.sh
## run one example
python show3d_balls.py
Halimacc/Pointnet3
fxia22/pointnet.pytorch
Charlesq34/Pointnet
Charlesq34/Pointnet ++
Wenn Sie dieses Repo in Ihrer Forschung nützlich finden, sollten Sie sich und unsere anderen Werke zitieren:
@article{Pytorch_Pointnet_Pointnet2,
Author = {Xu Yan},
Title = {Pointnet/Pointnet++ Pytorch},
Journal = {https://github.com/yanx27/Pointnet_Pointnet2_pytorch},
Year = {2019}
}
@InProceedings{yan2020pointasnl,
title={PointASNL: Robust Point Clouds Processing using Nonlocal Neural Networks with Adaptive Sampling},
author={Yan, Xu and Zheng, Chaoda and Li, Zhen and Wang, Sheng and Cui, Shuguang},
journal={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},
year={2020}
}
@InProceedings{yan2021sparse,
title={Sparse Single Sweep LiDAR Point Cloud Segmentation via Learning Contextual Shape Priors from Scene Completion},
author={Yan, Xu and Gao, Jiantao and Li, Jie and Zhang, Ruimao, and Li, Zhen and Huang, Rui and Cui, Shuguang},
journal={AAAI Conference on Artificial Intelligence ({AAAI})},
year={2021}
}
@InProceedings{yan20222dpass,
title={2DPASS: 2D Priors Assisted Semantic Segmentation on LiDAR Point Clouds},
author={Xu Yan and Jiantao Gao and Chaoda Zheng and Chao Zheng and Ruimao Zhang and Shuguang Cui and Zhen Li},
year={2022},
journal={ECCV}
}
