MeshCNN

Meshcnn à Pytorch

Siggraph 2019 [Papier] [Page du projet]

Le maillage est un réseau neuronal profond à usage général pour les mailles triangulaires 3D, qui peuvent être utilisées pour des tâches telles que la classification ou la segmentation de la forme 3D. Ce cadre comprend des couches de convolution, de mise en commun et de non-soulagement qui sont appliquées directement sur les bords du maillage.

Le code a été écrit par Rana Hanocka et Amir Hertz avec le soutien de Noa Fish.

Commencer

Installation

• Cloner ce repo:

git clone https://github.com/ranahanocka/MeshCNN.git
cd MeshCNN

• Installez les dépendances: Pytorch Version 1.2. Facultatif : Tensorboardx pour les parcelles de formation.
  • Via un nouvel environnement conda conda env create -f environment.yml (crée un environnement appelé maillage))

Classification de forme 3D sur SHREC

Télécharger l'ensemble de données

bash ./scripts/shrec/get_data.sh

Exécuter la formation (si l'utilisation de conda env d'abord activer la source activate meshcnn )

bash ./scripts/shrec/train.sh

Pour voir les tracés de perte d'entraînement, dans un autre terminal exécute tensorboard --logdir runs et cliquez sur http: // localhost: 6006.

Exécutez le test et exportez les mailles groupées intermédiaires:

bash ./scripts/shrec/test.sh

Visualisez les effondrements des bords d'apprentissage du réseau:

bash ./scripts/shrec/view.sh

Un exemple d'effondrements pour un maillage:

Remarque, vous pouvez également obtenir des poids pré-formés à l'aide de bash ./scripts/shrec/get_pretrained.sh .

Afin d'utiliser les poids pré-formés, exécutez train.sh qui calculera et enregistrera l'écart moyen / standard des données de formation.

Segmentation de forme 3D sur les humains

La même chose que ci-dessus, pour télécharger le jeu de données / exécuter le train / get pré-entraînement / exécuter le test / vue

bash ./scripts/human_seg/get_data.sh
bash ./scripts/human_seg/train.sh
bash ./scripts/human_seg/get_pretrained.sh
bash ./scripts/human_seg/test.sh
bash ./scripts/human_seg/view.sh

Quelques exemples de résultats de segmentation:

Ensembles de données supplémentaires

Les mêmes scripts existent également pour la segmentation Coseg dans scripts/coseg_seg et la classification des cubes dans scripts/cubes .

Plus d'informations

Consultez le wiki MeshCNN pour plus de détails. Plus précisément, voir les informations sur la segmentation et le traitement des données.

Autres implémentations

• Remplémentation Point2Mesh Tensorflow, qui contient également MeshCnn
• Medmeshcnn, gère les maillages avec 170k bords

Citation

Si vous trouvez ce code utile, veuillez envisager de citer notre papier

 @article{hanocka2019meshcnn,
  title={MeshCNN: A Network with an Edge},
  author={Hanocka, Rana and Hertz, Amir and Fish, Noa and Giryes, Raja and Fleishman, Shachar and Cohen-Or, Daniel},
  journal={ACM Transactions on Graphics (TOG)},
  volume={38},
  number={4},
  pages = {90:1--90:12},
  year={2019},
  publisher={ACM}
}

Questions / problèmes

Si vous avez des questions ou des problèmes exécutant ce code, veuillez ouvrir un problème afin que nous puissions savoir pour le résoudre.

Remerciements

Cette conception de code a été adoptée à partir de Pytorch-Cyclegan et-Pix2Pix.