Pointnet_Pointnet2_pytorch
1.0.0
Repo ini adalah implementasi untuk PointNet dan PointNet ++ di Pytorch.
2021/03/27:
(1) Lepaskan model pra-terlatih untuk segmentasi semantik, di mana PointNet ++ dapat mencapai 53,5% MIOU.
(2) Lepaskan model pra-terlatih untuk klasifikasi dan segmentasi bagian dalam log/ .
2021/03/20: Perbarui kode untuk klasifikasi, termasuk:
(1) Tambahkan kode untuk pelatihan ModelNet10 Dataset. Menggunakan Pengaturan --num_category 10 .
(2) Tambahkan kode untuk menjalankan CPU saja. Menggunakan pengaturan --use_cpu .
(3) Tambahkan kode untuk preprocessing data offline untuk mempercepat pelatihan. Menggunakan pengaturan --process_data .
(4) Tambahkan kode untuk pelatihan dengan pengambilan sampel yang seragam. Menggunakan pengaturan --use_uniform_sample .
2019/11/26:
(1) Memperbaiki beberapa kesalahan dalam kode sebelumnya dan menambahkan trik augmentasi data. Sekarang klasifikasi oleh hanya 1024 poin dapat mencapai 92,8% !
(2) Menambahkan kode pengujian, termasuk klasifikasi dan segmentasi, dan segmentasi semantik dengan visualisasi.
(3) Mengatur semua model ke dalam file ./models untuk memudahkan penggunaan.
Kode terbaru diuji pada Ubuntu 16.04, Cuda10.1, Pytorch 1.6 dan Python 3.7:
conda install pytorch==1.6.0 cudatoolkit=10.1 -c pytorch Unduh Alignment ModelNet di sini dan simpan dalam data/modelnet40_normal_resampled/ .
Anda dapat menjalankan mode yang berbeda dengan kode berikut.
--process_data dalam menjalankan pertama. Anda dapat mengunduh data pra-proses di sini dan menyimpannya di 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| Model | Ketepatan |
|---|---|
| Pointnet (resmi) | 89.2 |
| Pointnet2 (resmi) | 91.9 |
| Pointnet (pytorch tanpa normal) | 90.6 |
| Pointnet (pytorch dengan normal) | 91.4 |
| Pointnet2_ssg (pytorch tanpa normal) | 92.2 |
| Pointnet2_ssg (pytorch dengan normal) | 92.4 |
| Pointnet2_msg (pytorch dengan normal) | 92.8 |
Unduh Alignment Shapenet di sini dan simpan dalam 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
| Model | Inctance AVG IOU | Kelas rata -rata iou |
|---|---|---|
| Pointnet (resmi) | 83.7 | 80.4 |
| Pointnet2 (resmi) | 85.1 | 81.9 |
| PointNet (Pytorch) | 84.3 | 81.1 |
| Pointnet2_ssg (pytorch) | 84.9 | 81.8 |
| Pointnet2_msg (pytorch) | 85.4 | 82.5 |
Unduh 3D Indoor Parsing Dataset ( S3DIS ) di sini dan simpan dalam data/s3dis/Stanford3dDataset_v1.2_Aligned_Version/ .
cd data_utils
python collect_indoor3d_data.py
Data yang diproses akan menyimpan 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
Hasil visualisasi akan menyimpan log/sem_seg/pointnet2_sem_seg/visual/ dan Anda dapat memvisualisasikan file .obj ini oleh meshlab.
| Model | Secara keseluruhan ACC | Kelas rata -rata iou | Pos pemeriksaan |
|---|---|---|---|
| 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 ++
Jika Anda menemukan repo ini berguna dalam penelitian Anda, silakan pertimbangkan mengutipnya dan karya kami yang lain:
@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}
}
