Pointnet_Pointnet2_pytorch 다운로드 Pointnet_Pointnet2

Pointnet_Pointnet2_pytorch

파이썬

1.0.0

다운로드

Pointnet 및 Pointnet ++의 Pytorch 구현

이 repo는 Pytorch의 PointNet 및 PointNet ++의 구현입니다.

업데이트

2021/03/27 :

(1) PointNet ++가 53.5% MIOU를 달성 할 수있는 시맨틱 세분화에 대한 미리 훈련 된 모델을 방출합니다.

(2) log/ 에서 분류 및 부품 분할을위한 미리 훈련 된 모델을 해제합니다.

2021/03/20 : 분류 코드 업데이트를 포함하여 :

(1) 교육 ModelNet10 데이터 세트에 대한 코드 추가. --num_category 10 .

(2) CPU에서만 실행을위한 코드를 추가합니다. --use_cpu 설정 사용.

(3) 오프라인 데이터 전처리에 대한 코드를 추가하여 교육을 가속화합니다. --process_data 설정 사용.

(4) 균일 한 샘플링으로 훈련을위한 코드를 추가합니다. --use_uniform_sample 설정 사용.

2019/11/26 :

(1) 이전 코드에서 일부 오류를 수정하고 데이터 확대 트릭을 추가했습니다. 이제 분류는 1024 포인트 만 92.8%를 달성 할 수 있습니다!

(2) 분류 및 세분화, 시각화를 통한 시맨틱 세분화를 포함한 테스트 코드가 추가되었습니다.

(3) 쉽게 사용하기 위해 모든 모델을 ./models 파일로 구성했습니다.

설치하다

최신 코드는 Ubuntu 16.04, Cuda10.1, Pytorch 1.6 및 Python 3.7에서 테스트됩니다.

conda install pytorch==1.6.0 cudatoolkit=10.1 -c pytorch

분류 (Modelnet10/40)

데이터 준비

여기에서 Alignment Modelnet을 다운로드하고 data/modelnet40_normal_resampled/ 저장하십시오.

달리다

다음 코드로 다른 모드를 실행할 수 있습니다.

오프라인 데이터 처리를 사용하려면 첫 번째 실행에서 --process_data 사용할 수 있습니다. 여기에서 사전 프로세스 데이터를 다운로드하여 data/modelnet40_normal_resampled/ 에 저장할 수 있습니다.
ModelNET10에서 훈련하려면 --num_category 10 사용할 수 있습니다.

 # 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

성능

모델	정확성
포인트 넷 (공식)	89.2
PointNet2 (공식)	91.9
Pointnet (정상없는 Pytorch)	90.6
Pointnet (정상적인 pytorch)	91.4
pointnet2_ssg (정상없는 pytorch)	92.2
pointnet2_ssg (정상적인 pytorch)	92.4
pointnet2_msg (정상적인 pytorch)	92.8

부품 세분화 (Shapenet)

데이터 준비

여기에서 정렬 셰이프 페넷을 다운로드하고 data/shapenetcore_partanno_segmentation_benchmark_v0_normal/ 에 저장하십시오.

달리다

 ## 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

성능

모델	Inctance avg iou	클래스 avg iou
포인트 넷 (공식)	83.7	80.4
PointNet2 (공식)	85.1	81.9
Pointnet (Pytorch)	84.3	81.1
PointNet2_SSG (Pytorch)	84.9	81.8
PointNet2_msg (Pytorch)	85.4	82.5

시맨틱 세분화 (S3DIS)

데이터 준비

여기에서 3D 실내 구문 분석 데이터 세트 ( S3DIS )를 다운로드하고 data/s3dis/Stanford3dDataset_v1.2_Aligned_Version/ 저장하십시오.

 cd data_utils
python collect_indoor3d_data.py

처리 된 데이터는 data/stanford_indoor3d/ 에 저장됩니다.

달리다

 ## 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

시각화 결과는 log/sem_seg/pointnet2_sem_seg/visual/ 로 저장되며 meshlab 으로이 .obj 파일을 시각화 할 수 있습니다.

성능

모델	전반적인 ACC	클래스 avg iou	검문소
Pointnet (Pytorch)	78.9	43.7	40.7MB
PointNet2_SSG (Pytorch)	83.0	53.5	11.2MB

심상

show3d_balls.py 사용

 ## build C++ code for visualization
cd visualizer
bash build.sh 
## run one example 
python show3d_balls.py

meshlab 사용

참조

halimacc/pointnet3
fxia22/pointnet.pytorch
charlesq34/pointnet
charlesq34/pointnet ++

소환

이 리포트가 귀하의 연구에 유용하다고 생각되면,이를 인용하고 다른 작품을 인용하십시오.

 @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}
}