Pointnet_Pointnet2_pytorch
1.0.0
Este repositorio es implementación para PointNet y PointNet ++ en Pytorch.
2021/03/27:
(1) Liberar modelos previamente capacitados para la segmentación semántica, donde PointNet ++ puede lograr un 53.5% de MIOU.
(2) Liberar modelos previamente capacitados para la clasificación y segmentación de piezas en log/ .
2021/03/20: Códigos de actualización para la clasificación, que incluyen:
(1) Agregue códigos para el conjunto de datos ModelNet10 de entrenamiento. Uso de la configuración de --num_category 10 .
(2) Agregue códigos para ejecutarse solo en CPU. Usar la configuración de --use_cpu .
(3) Agregue códigos para el preprocesamiento de datos fuera de línea para acelerar el entrenamiento. Usar la configuración de --process_data .
(4) Agregue códigos para entrenamiento con muestreo uniforme. Usar la configuración de --use_uniform_sample .
2019/11/26:
(1) Se corrigió algunos errores en códigos anteriores y agregó trucos de aumento de datos. ¡Ahora la clasificación por solo 1024 puntos puede lograr 92.8% !
(2) Códigos de prueba agregados, incluida la clasificación y la segmentación, y la segmentación semántica con visualización.
(3) Organizaron todos los modelos en archivos ./models para facilitar el uso.
Los últimos códigos se prueban en Ubuntu 16.04, Cuda10.1, Pytorch 1.6 y Python 3.7:
conda install pytorch==1.6.0 cudatoolkit=10.1 -c pytorch Descargue el ModelNet de alineación aquí y guarde en data/modelnet40_normal_resampled/ .
Puede ejecutar diferentes modos con los siguientes códigos.
--process_data en la primera ejecución. Puede descargar datos de preprocessd aquí y guardarlos en data/modelnet40_normal_resampled/ .--num_category 10 . # 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| Modelo | Exactitud |
|---|---|
| PointNet (oficial) | 89.2 |
| PointNet2 (oficial) | 91.9 |
| PointNet (Pytorch sin normal) | 90.6 |
| PointNet (Pytorch con Normal) | 91.4 |
| PointNet2_SSG (Pytorch sin normal) | 92.2 |
| PointNet2_SSG (Pytorch con Normal) | 92.4 |
| PointNet2_Msg (Pytorch con Normal) | 92.8 |
Descargue la alineación Shapenet aquí y guarde en 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
| Modelo | Inctancia avg iou | Clase AVG IOU |
|---|---|---|
| PointNet (oficial) | 83.7 | 80.4 |
| PointNet2 (oficial) | 85.1 | 81.9 |
| Pointnet (Pytorch) | 84.3 | 81.1 |
| PointNet2_SSG (Pytorch) | 84.9 | 81.8 |
| PointNet2_Msg (Pytorch) | 85.4 | 82.5 |
Descargue el conjunto de datos de análisis de interiores 3D ( S3DIS ) aquí y guarde en data/s3dis/Stanford3dDataset_v1.2_Aligned_Version/ .
cd data_utils
python collect_indoor3d_data.py
Los datos procesados guardarán en 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
Los resultados de la visualización guardarán en log/sem_seg/pointnet2_sem_seg/visual/ y puede visualizar este archivo .obj por MeshLab.
| Modelo | ACC general | Clase AVG IOU | Control |
|---|---|---|---|
| Pointnet (Pytorch) | 78.9 | 43.7 | 40.7mb |
| PointNet2_SSG (Pytorch) | 83.0 | 53.5 | 11.2MB |
## 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 ++
Si considera que este repositorio es útil en su investigación, considere citarlo y nuestros otros trabajos:
@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}
}
